In [1]:
import pandas as pd 
import numpy as np
import seaborn as sns 
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.graphics.tsaplots import plot_acf,plot_pacf
from sklearn.impute import SimpleImputer
pd.set_option('display.max_columns',None)
pd.set_option('display.max_rows',None)
from sklearn.metrics import mean_absolute_percentage_error as mape
from statsmodels.tsa.statespace.sarimax import SARIMAX
from statsmodels.tsa.arima.model import ARIMA
In [2]:
df = pd.read_csv('train_1.csv')
In [3]:
df.shape
Out[3]:
(145063, 551)

NAN Values¶

In [4]:
df.isna().sum()
Out[4]:
Page              0
2015-07-01    20740
2015-07-02    20816
2015-07-03    20544
2015-07-04    20654
2015-07-05    20659
2015-07-06    20483
2015-07-07    20664
2015-07-08    20294
2015-07-09    20244
2015-07-10    20342
2015-07-11    20525
2015-07-12    20485
2015-07-13    20399
2015-07-14    20140
2015-07-15    20106
2015-07-16    19987
2015-07-17    20048
2015-07-18    20295
2015-07-19    20142
2015-07-20    19979
2015-07-21    19688
2015-07-22    19573
2015-07-23    19581
2015-07-24    19593
2015-07-25    19589
2015-07-26    19865
2015-07-27    19759
2015-07-28    19553
2015-07-29    19347
2015-07-30    19592
2015-07-31    19708
2015-08-01    19640
2015-08-02    19844
2015-08-03    19842
2015-08-04    19595
2015-08-05    19607
2015-08-06    19424
2015-08-07    19528
2015-08-08    19525
2015-08-09    19320
2015-08-10    19370
2015-08-11    19385
2015-08-12    19507
2015-08-13    19317
2015-08-14    19272
2015-08-15    19320
2015-08-16    19213
2015-08-17    18954
2015-08-18    19104
2015-08-19    18954
2015-08-20    18923
2015-08-21    19012
2015-08-22    18973
2015-08-23    19039
2015-08-24    18781
2015-08-25    18704
2015-08-26    18526
2015-08-27    18870
2015-08-28    18691
2015-08-29    18926
2015-08-30    18993
2015-08-31    18915
2015-09-01    18793
2015-09-02    18716
2015-09-03    18404
2015-09-04    18412
2015-09-05    18464
2015-09-06    18543
2015-09-07    18296
2015-09-08    18263
2015-09-09    18448
2015-09-10    18497
2015-09-11    18329
2015-09-12    18279
2015-09-13    18235
2015-09-14    18407
2015-09-15    18313
2015-09-16    18177
2015-09-17    18097
2015-09-18    18207
2015-09-19    18244
2015-09-20    18345
2015-09-21    18231
2015-09-22    18345
2015-09-23    18155
2015-09-24    18067
2015-09-25    18015
2015-09-26    18102
2015-09-27    18153
2015-09-28    17812
2015-09-29    17897
2015-09-30    17807
2015-10-01    17759
2015-10-02    17695
2015-10-03    17835
2015-10-04    17714
2015-10-05    17594
2015-10-06    17528
2015-10-07    17598
2015-10-08    17725
2015-10-09    17771
2015-10-10    17746
2015-10-11    17844
2015-10-12    17419
2015-10-13    17425
2015-10-14    17244
2015-10-15    17146
2015-10-16    17356
2015-10-17    17275
2015-10-18    17337
2015-10-19    17411
2015-10-20    17206
2015-10-21    17150
2015-10-22    16965
2015-10-23    17189
2015-10-24    17513
2015-10-25    17238
2015-10-26    17216
2015-10-27    17149
2015-10-28    17196
2015-10-29    16743
2015-10-30    16810
2015-10-31    17079
2015-11-01    17094
2015-11-02    17078
2015-11-03    15734
2015-11-04    15714
2015-11-05    15791
2015-11-06    15841
2015-11-07    15930
2015-11-08    15825
2015-11-09    15769
2015-11-10    15699
2015-11-11    15842
2015-11-12    15761
2015-11-13    15895
2015-11-14    15911
2015-11-15    15852
2015-11-16    15835
2015-11-17    15974
2015-11-18    15734
2015-11-19    15419
2015-11-20    15872
2015-11-21    15888
2015-11-22    15743
2015-11-23    15620
2015-11-24    15662
2015-11-25    15793
2015-11-26    15599
2015-11-27    15735
2015-11-28    15847
2015-11-29    15778
2015-11-30    15644
2015-12-01    15449
2015-12-02    15324
2015-12-03    15184
2015-12-04    15354
2015-12-05    15480
2015-12-06    15335
2015-12-07    15338
2015-12-08    15060
2015-12-09    15245
2015-12-10    15187
2015-12-11    15188
2015-12-12    15128
2015-12-13    14884
2015-12-14    14970
2015-12-15    14900
2015-12-16    14846
2015-12-17    14814
2015-12-18    14883
2015-12-19    14966
2015-12-20    14498
2015-12-21    14695
2015-12-22    14710
2015-12-23    14647
2015-12-24    14642
2015-12-25    14667
2015-12-26    14518
2015-12-27    14521
2015-12-28    14247
2015-12-29    14253
2015-12-30    14286
2015-12-31    14303
2016-01-01    14415
2016-01-02    14150
2016-01-03    14313
2016-01-04    14138
2016-01-05    14010
2016-01-06    13950
2016-01-07    13890
2016-01-08    13879
2016-01-09    13787
2016-01-10    13861
2016-01-11    13712
2016-01-12    13425
2016-01-13    13390
2016-01-14    13396
2016-01-15    13514
2016-01-16    13625
2016-01-17    13667
2016-01-18    13448
2016-01-19    13260
2016-01-20    13355
2016-01-21    13176
2016-01-22    13248
2016-01-23    13222
2016-01-24    13016
2016-01-25    12932
2016-01-26    13019
2016-01-27    12897
2016-01-28    12750
2016-01-29    12652
2016-01-30    12652
2016-01-31    12550
2016-02-01    12700
2016-02-02    12744
2016-02-03    12709
2016-02-04    12673
2016-02-05    12696
2016-02-06    12501
2016-02-07    12595
2016-02-08    12525
2016-02-09    12636
2016-02-10    12380
2016-02-11    12057
2016-02-12    12261
2016-02-13    12375
2016-02-14    12417
2016-02-15    12382
2016-02-16    12253
2016-02-17    12140
2016-02-18    12196
2016-02-19    12196
2016-02-20    12137
2016-02-21    12148
2016-02-22    11998
2016-02-23    11868
2016-02-24    12116
2016-02-25    11935
2016-02-26    11707
2016-02-27    11740
2016-02-28    11917
2016-02-29    11923
2016-03-01    11730
2016-03-02    11724
2016-03-03    11755
2016-03-04    11431
2016-03-05    11629
2016-03-06    11665
2016-03-07    11485
2016-03-08    11616
2016-03-09    11661
2016-03-10    11738
2016-03-11    11850
2016-03-12    11725
2016-03-13    11582
2016-03-14    11527
2016-03-15    11329
2016-03-16    11440
2016-03-17    10926
2016-03-18    11312
2016-03-19    11123
2016-03-20    11229
2016-03-21    11123
2016-03-22    11116
2016-03-23    10939
2016-03-24    10872
2016-03-25    11006
2016-03-26    10927
2016-03-27    10853
2016-03-28    10774
2016-03-29    10765
2016-03-30    10528
2016-03-31    10593
2016-04-01    10385
2016-04-02    10489
2016-04-03    10744
2016-04-04    10279
2016-04-05    10024
2016-04-06    10053
2016-04-07    10103
2016-04-08    10007
2016-04-09    10175
2016-04-10    10152
2016-04-11    10036
2016-04-12    10059
2016-04-13     9950
2016-04-14     9727
2016-04-15     9916
2016-04-16    10130
2016-04-17     9998
2016-04-18     9561
2016-04-19     9961
2016-04-20     9718
2016-04-21     9614
2016-04-22     9560
2016-04-23     9880
2016-04-24     9730
2016-04-25     9555
2016-04-26     9679
2016-04-27     9371
2016-04-28     9743
2016-04-29     9457
2016-04-30     9629
2016-05-01     9705
2016-05-02     9560
2016-05-03     9265
2016-05-04     9259
2016-05-05     9499
2016-05-06     9295
2016-05-07     9204
2016-05-08     9207
2016-05-09     9325
2016-05-10     9073
2016-05-11     9181
2016-05-12     9183
2016-05-13     8996
2016-05-14     9320
2016-05-15     9222
2016-05-16     9096
2016-05-17     9247
2016-05-18     8995
2016-05-19     8971
2016-05-20     9320
2016-05-21     9216
2016-05-22     9012
2016-05-23     8845
2016-05-24     8936
2016-05-25     8974
2016-05-26     8909
2016-05-27     9055
2016-05-28     8787
2016-05-29     9001
2016-05-30     8622
2016-05-31     8431
2016-06-01     8351
2016-06-02     8324
2016-06-03     8488
2016-06-04     8226
2016-06-05     8433
2016-06-06     8670
2016-06-07     8477
2016-06-08     8484
2016-06-09     8390
2016-06-10     8380
2016-06-11     7981
2016-06-12     8433
2016-06-13     8083
2016-06-14     8045
2016-06-15     8071
2016-06-16     8152
2016-06-17     8224
2016-06-18     7971
2016-06-19     8302
2016-06-20     8074
2016-06-21     7930
2016-06-22     7966
2016-06-23     7728
2016-06-24     7882
2016-06-25     7677
2016-06-26     7992
2016-06-27     7774
2016-06-28     7896
2016-06-29     7738
2016-06-30     7892
2016-07-01     7612
2016-07-02     7696
2016-07-03     8107
2016-07-04     7855
2016-07-05     7800
2016-07-06     7446
2016-07-07     7649
2016-07-08     7946
2016-07-09     7508
2016-07-10     7836
2016-07-11     7569
2016-07-12     7210
2016-07-13     7441
2016-07-14     7193
2016-07-15     7684
2016-07-16     7313
2016-07-17     7819
2016-07-18     7523
2016-07-19     7415
2016-07-20     7310
2016-07-21     7384
2016-07-22     7153
2016-07-23     6985
2016-07-24     7443
2016-07-25     7159
2016-07-26     7087
2016-07-27     7116
2016-07-28     6818
2016-07-29     6873
2016-07-30     6826
2016-07-31     7154
2016-08-01     7023
2016-08-02     6964
2016-08-03     6793
2016-08-04     6917
2016-08-05     6799
2016-08-06     6677
2016-08-07     7169
2016-08-08     6879
2016-08-09     6833
2016-08-10     6813
2016-08-11     6712
2016-08-12     6735
2016-08-13     6366
2016-08-14     6722
2016-08-15     6655
2016-08-16     6693
2016-08-17     6599
2016-08-18     6601
2016-08-19     6413
2016-08-20     6060
2016-08-21     6275
2016-08-22     6135
2016-08-23     6010
2016-08-24     6137
2016-08-25     5978
2016-08-26     6077
2016-08-27     5988
2016-08-28     6310
2016-08-29     6022
2016-08-30     6076
2016-08-31     6091
2016-09-01     5842
2016-09-02     6126
2016-09-03     5673
2016-09-04     5991
2016-09-05     5999
2016-09-06     5638
2016-09-07     5529
2016-09-08     5606
2016-09-09     5882
2016-09-10     5637
2016-09-11     5577
2016-09-12     5205
2016-09-13     5233
2016-09-14     5466
2016-09-15     5243
2016-09-16     5334
2016-09-17     5279
2016-09-18     5613
2016-09-19     5560
2016-09-20     5455
2016-09-21     5600
2016-09-22     5426
2016-09-23     5457
2016-09-24     5138
2016-09-25     5627
2016-09-26     5355
2016-09-27     5518
2016-09-28     5556
2016-09-29     5464
2016-09-30     5481
2016-10-01     4989
2016-10-02     5497
2016-10-03     5434
2016-10-04     5423
2016-10-05     5245
2016-10-06     5480
2016-10-07     5489
2016-10-08     4932
2016-10-09     5355
2016-10-10     5226
2016-10-11     5018
2016-10-12     5069
2016-10-13     4941
2016-10-14     4952
2016-10-15     4720
2016-10-16     4928
2016-10-17     4762
2016-10-18     4858
2016-10-19     4803
2016-10-20     4980
2016-10-21     4881
2016-10-22     4355
2016-10-23     4882
2016-10-24     5143
2016-10-25     4864
2016-10-26     4964
2016-10-27     4829
2016-10-28     4739
2016-10-29     4424
2016-10-30     4768
2016-10-31     4807
2016-11-01     4739
2016-11-02     4471
2016-11-03     4539
2016-11-04     4665
2016-11-05     4405
2016-11-06     4626
2016-11-07     4386
2016-11-08     4529
2016-11-09     4866
2016-11-10     4709
2016-11-11     4632
2016-11-12     4234
2016-11-13     4661
2016-11-14     4422
2016-11-15     4639
2016-11-16     4498
2016-11-17     4357
2016-11-18     4380
2016-11-19     4169
2016-11-20     4502
2016-11-21     4401
2016-11-22     4153
2016-11-23     4374
2016-11-24     4295
2016-11-25     4372
2016-11-26     3779
2016-11-27     4416
2016-11-28     3979
2016-11-29     4071
2016-11-30     4229
2016-12-01     4060
2016-12-02     4243
2016-12-03     3675
2016-12-04     4290
2016-12-05     4231
2016-12-06     4103
2016-12-07     4130
2016-12-08     3962
2016-12-09     4179
2016-12-10     3625
2016-12-11     3581
2016-12-12     3538
2016-12-13     3802
2016-12-14     4108
2016-12-15     4078
2016-12-16     3566
2016-12-17     3559
2016-12-18     3666
2016-12-19     3652
2016-12-20     3268
2016-12-21     3236
2016-12-22     3853
2016-12-23     3584
2016-12-24     3189
2016-12-25     3744
2016-12-26     3918
2016-12-27     3701
2016-12-28     3822
2016-12-29     3826
2016-12-30     3635
2016-12-31     3465
dtype: int64
In [5]:
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 145063 entries, 0 to 145062
Columns: 551 entries, Page to 2016-12-31
dtypes: float64(550), object(1)
memory usage: 609.8+ MB
In [6]:
exog = pd.read_csv('Exog_Campaign_eng.csv')
In [7]:
exog.shape
Out[7]:
(550, 1)
In [8]:
df.head(10)
Out[8]:
Page 2015-07-01 2015-07-02 2015-07-03 2015-07-04 2015-07-05 2015-07-06 2015-07-07 2015-07-08 2015-07-09 2015-07-10 2015-07-11 2015-07-12 2015-07-13 2015-07-14 2015-07-15 2015-07-16 2015-07-17 2015-07-18 2015-07-19 2015-07-20 2015-07-21 2015-07-22 2015-07-23 2015-07-24 2015-07-25 2015-07-26 2015-07-27 2015-07-28 2015-07-29 2015-07-30 2015-07-31 2015-08-01 2015-08-02 2015-08-03 2015-08-04 2015-08-05 2015-08-06 2015-08-07 2015-08-08 2015-08-09 2015-08-10 2015-08-11 2015-08-12 2015-08-13 2015-08-14 2015-08-15 2015-08-16 2015-08-17 2015-08-18 2015-08-19 2015-08-20 2015-08-21 2015-08-22 2015-08-23 2015-08-24 2015-08-25 2015-08-26 2015-08-27 2015-08-28 2015-08-29 2015-08-30 2015-08-31 2015-09-01 2015-09-02 2015-09-03 2015-09-04 2015-09-05 2015-09-06 2015-09-07 2015-09-08 2015-09-09 2015-09-10 2015-09-11 2015-09-12 2015-09-13 2015-09-14 2015-09-15 2015-09-16 2015-09-17 2015-09-18 2015-09-19 2015-09-20 2015-09-21 2015-09-22 2015-09-23 2015-09-24 2015-09-25 2015-09-26 2015-09-27 2015-09-28 2015-09-29 2015-09-30 2015-10-01 2015-10-02 2015-10-03 2015-10-04 2015-10-05 2015-10-06 2015-10-07 2015-10-08 2015-10-09 2015-10-10 2015-10-11 2015-10-12 2015-10-13 2015-10-14 2015-10-15 2015-10-16 2015-10-17 2015-10-18 2015-10-19 2015-10-20 2015-10-21 2015-10-22 2015-10-23 2015-10-24 2015-10-25 2015-10-26 2015-10-27 2015-10-28 2015-10-29 2015-10-30 2015-10-31 2015-11-01 2015-11-02 2015-11-03 2015-11-04 2015-11-05 2015-11-06 2015-11-07 2015-11-08 2015-11-09 2015-11-10 2015-11-11 2015-11-12 2015-11-13 2015-11-14 2015-11-15 2015-11-16 2015-11-17 2015-11-18 2015-11-19 2015-11-20 2015-11-21 2015-11-22 2015-11-23 2015-11-24 2015-11-25 2015-11-26 2015-11-27 2015-11-28 2015-11-29 2015-11-30 2015-12-01 2015-12-02 2015-12-03 2015-12-04 2015-12-05 2015-12-06 2015-12-07 2015-12-08 2015-12-09 2015-12-10 2015-12-11 2015-12-12 2015-12-13 2015-12-14 2015-12-15 2015-12-16 2015-12-17 2015-12-18 2015-12-19 2015-12-20 2015-12-21 2015-12-22 2015-12-23 2015-12-24 2015-12-25 2015-12-26 2015-12-27 2015-12-28 2015-12-29 2015-12-30 2015-12-31 2016-01-01 2016-01-02 2016-01-03 2016-01-04 2016-01-05 2016-01-06 2016-01-07 2016-01-08 2016-01-09 2016-01-10 2016-01-11 2016-01-12 2016-01-13 2016-01-14 2016-01-15 2016-01-16 2016-01-17 2016-01-18 2016-01-19 2016-01-20 2016-01-21 2016-01-22 2016-01-23 2016-01-24 2016-01-25 2016-01-26 2016-01-27 2016-01-28 2016-01-29 2016-01-30 2016-01-31 2016-02-01 2016-02-02 2016-02-03 2016-02-04 2016-02-05 2016-02-06 2016-02-07 2016-02-08 2016-02-09 2016-02-10 2016-02-11 2016-02-12 2016-02-13 2016-02-14 2016-02-15 2016-02-16 2016-02-17 2016-02-18 2016-02-19 2016-02-20 2016-02-21 2016-02-22 2016-02-23 2016-02-24 2016-02-25 2016-02-26 2016-02-27 2016-02-28 2016-02-29 2016-03-01 2016-03-02 2016-03-03 2016-03-04 2016-03-05 2016-03-06 2016-03-07 2016-03-08 2016-03-09 2016-03-10 2016-03-11 2016-03-12 2016-03-13 2016-03-14 2016-03-15 2016-03-16 2016-03-17 2016-03-18 2016-03-19 2016-03-20 2016-03-21 2016-03-22 2016-03-23 2016-03-24 2016-03-25 2016-03-26 2016-03-27 2016-03-28 2016-03-29 2016-03-30 2016-03-31 2016-04-01 2016-04-02 2016-04-03 2016-04-04 2016-04-05 2016-04-06 2016-04-07 2016-04-08 2016-04-09 2016-04-10 2016-04-11 2016-04-12 2016-04-13 2016-04-14 2016-04-15 2016-04-16 2016-04-17 2016-04-18 2016-04-19 2016-04-20 2016-04-21 2016-04-22 2016-04-23 2016-04-24 2016-04-25 2016-04-26 2016-04-27 2016-04-28 2016-04-29 2016-04-30 2016-05-01 2016-05-02 2016-05-03 2016-05-04 2016-05-05 2016-05-06 2016-05-07 2016-05-08 2016-05-09 2016-05-10 2016-05-11 2016-05-12 2016-05-13 2016-05-14 2016-05-15 2016-05-16 2016-05-17 2016-05-18 2016-05-19 2016-05-20 2016-05-21 2016-05-22 2016-05-23 2016-05-24 2016-05-25 2016-05-26 2016-05-27 2016-05-28 2016-05-29 2016-05-30 2016-05-31 2016-06-01 2016-06-02 2016-06-03 2016-06-04 2016-06-05 2016-06-06 2016-06-07 2016-06-08 2016-06-09 2016-06-10 2016-06-11 2016-06-12 2016-06-13 2016-06-14 2016-06-15 2016-06-16 2016-06-17 2016-06-18 2016-06-19 2016-06-20 2016-06-21 2016-06-22 2016-06-23 2016-06-24 2016-06-25 2016-06-26 2016-06-27 2016-06-28 2016-06-29 2016-06-30 2016-07-01 2016-07-02 2016-07-03 2016-07-04 2016-07-05 2016-07-06 2016-07-07 2016-07-08 2016-07-09 2016-07-10 2016-07-11 2016-07-12 2016-07-13 2016-07-14 2016-07-15 2016-07-16 2016-07-17 2016-07-18 2016-07-19 2016-07-20 2016-07-21 2016-07-22 2016-07-23 2016-07-24 2016-07-25 2016-07-26 2016-07-27 2016-07-28 2016-07-29 2016-07-30 2016-07-31 2016-08-01 2016-08-02 2016-08-03 2016-08-04 2016-08-05 2016-08-06 2016-08-07 2016-08-08 2016-08-09 2016-08-10 2016-08-11 2016-08-12 2016-08-13 2016-08-14 2016-08-15 2016-08-16 2016-08-17 2016-08-18 2016-08-19 2016-08-20 2016-08-21 2016-08-22 2016-08-23 2016-08-24 2016-08-25 2016-08-26 2016-08-27 2016-08-28 2016-08-29 2016-08-30 2016-08-31 2016-09-01 2016-09-02 2016-09-03 2016-09-04 2016-09-05 2016-09-06 2016-09-07 2016-09-08 2016-09-09 2016-09-10 2016-09-11 2016-09-12 2016-09-13 2016-09-14 2016-09-15 2016-09-16 2016-09-17 2016-09-18 2016-09-19 2016-09-20 2016-09-21 2016-09-22 2016-09-23 2016-09-24 2016-09-25 2016-09-26 2016-09-27 2016-09-28 2016-09-29 2016-09-30 2016-10-01 2016-10-02 2016-10-03 2016-10-04 2016-10-05 2016-10-06 2016-10-07 2016-10-08 2016-10-09 2016-10-10 2016-10-11 2016-10-12 2016-10-13 2016-10-14 2016-10-15 2016-10-16 2016-10-17 2016-10-18 2016-10-19 2016-10-20 2016-10-21 2016-10-22 2016-10-23 2016-10-24 2016-10-25 2016-10-26 2016-10-27 2016-10-28 2016-10-29 2016-10-30 2016-10-31 2016-11-01 2016-11-02 2016-11-03 2016-11-04 2016-11-05 2016-11-06 2016-11-07 2016-11-08 2016-11-09 2016-11-10 2016-11-11 2016-11-12 2016-11-13 2016-11-14 2016-11-15 2016-11-16 2016-11-17 2016-11-18 2016-11-19 2016-11-20 2016-11-21 2016-11-22 2016-11-23 2016-11-24 2016-11-25 2016-11-26 2016-11-27 2016-11-28 2016-11-29 2016-11-30 2016-12-01 2016-12-02 2016-12-03 2016-12-04 2016-12-05 2016-12-06 2016-12-07 2016-12-08 2016-12-09 2016-12-10 2016-12-11 2016-12-12 2016-12-13 2016-12-14 2016-12-15 2016-12-16 2016-12-17 2016-12-18 2016-12-19 2016-12-20 2016-12-21 2016-12-22 2016-12-23 2016-12-24 2016-12-25 2016-12-26 2016-12-27 2016-12-28 2016-12-29 2016-12-30 2016-12-31
0 2NE1_zh.wikipedia.org_all-access_spider 18.0 11.0 5.0 13.0 14.0 9.0 9.0 22.0 26.0 24.0 19.0 10.0 14.0 15.0 8.0 16.0 8.0 8.0 16.0 7.0 11.0 10.0 20.0 18.0 15.0 14.0 49.0 10.0 16.0 18.0 8.0 5.0 9.0 7.0 13.0 9.0 7.0 4.0 11.0 10.0 5.0 9.0 9.0 9.0 9.0 13.0 4.0 15.0 25.0 9.0 5.0 6.0 20.0 3.0 14.0 46.0 5.0 5.0 13.0 4.0 9.0 10.0 9.0 11.0 11.0 11.0 9.0 15.0 5.0 10.0 7.0 4.0 8.0 9.0 10.0 6.0 13.0 16.0 6.0 24.0 9.0 11.0 12.0 8.0 14.0 6.0 6.0 11.0 14.0 6.0 10.0 20.0 7.0 15.0 8.0 15.0 5.0 8.0 8.0 5.0 11.0 165.0 34.0 6.0 13.0 8.0 9.0 11.0 26.0 18.0 3.0 5.0 12.0 6.0 16.0 19.0 9.0 10.0 11.0 11.0 7.0 9.0 10.0 24.0 6.0 6.0 8.0 16.0 13.0 10.0 10.0 6.0 5.0 20.0 6.0 47.0 9.0 9.0 12.0 11.0 17.0 15.0 14.0 11.0 97.0 11.0 12.0 11.0 14.0 15.0 12.0 104.0 5.0 22.0 45.0 75.0 29.0 34.0 20.0 12.0 25.0 9.0 62.0 20.0 19.0 8.0 23.0 13.0 16.0 34.0 36.0 11.0 18.0 12.0 24.0 30.0 27.0 44.0 35.0 53.0 11.0 26.0 13.0 18.0 9.0 16.0 6.0 19.0 20.0 19.0 22.0 30.0 14.0 16.0 22.0 15.0 15.0 26.0 16.0 13.0 27.0 18.0 13.0 32.0 31.0 16.0 38.0 18.0 9.0 14.0 10.0 24.0 8.0 15.0 18.0 10.0 23.0 17.0 11.0 26.0 14.0 8.0 12.0 9.0 11.0 34.0 17.0 29.0 11.0 9.0 14.0 21.0 12.0 11.0 13.0 11.0 13.0 16.0 13.0 19.0 21.0 14.0 11.0 35.0 18.0 42.0 15.0 5.0 21.0 56.0 9.0 20.0 17.0 18.0 8.0 9.0 17.0 9.0 10.0 14.0 17.0 6.0 18.0 13.0 11.0 12.0 11.0 8.0 15.0 11.0 20.0 59.0 11.0 18.0 17.0 12.0 14.0 13.0 9.0 490.0 189.0 102.0 38.0 126.0 71.0 21.0 57.0 79.0 17.0 17.0 23.0 16.0 23.0 18.0 22.0 44.0 6.0 31.0 17.0 25.0 40.0 19.0 15.0 15.0 29.0 18.0 16.0 13.0 20.0 22.0 19.0 11.0 50.0 22.0 39.0 23.0 21.0 23.0 22.0 16.0 19.0 35.0 16.0 12.0 15.0 13.0 14.0 10.0 21.0 20.0 19.0 14.0 12.0 15.0 17.0 16.0 21.0 27.0 13.0 11.0 15.0 14.0 18.0 18.0 10.0 11.0 14.0 18.0 14.0 13.0 17.0 15.0 14.0 234.0 8.0 62.0 26.0 22.0 8.0 22.0 15.0 69.0 11.0 18.0 23.0 12.0 20.0 17.0 15.0 16.0 18.0 21.0 15.0 30.0 115.0 56.0 45.0 17.0 18.0 15.0 18.0 14.0 15.0 15.0 24.0 22.0 18.0 30.0 12.0 13.0 18.0 17.0 31.0 26.0 29.0 12.0 19.0 19.0 57.0 17.0 20.0 49.0 10.0 19.0 26.0 41.0 23.0 30.0 55.0 17.0 24.0 14.0 12.0 49.0 42.0 37.0 13.0 30.0 20.0 33.0 20.0 14.0 40.0 15.0 18.0 26.0 8.0 25.0 21.0 20.0 25.0 19.0 23.0 18.0 19.0 18.0 55.0 16.0 65.0 11.0 11.0 13.0 20.0 21.0 13.0 24.0 20.0 13.0 32.0 16.0 10.0 13.0 44.0 17.0 13.0 72.0 40.0 19.0 14.0 13.0 12.0 14.0 10.0 26.0 13.0 22.0 14.0 23.0 12.0 8.0 50.0 13.0 10.0 16.0 14.0 10.0 24.0 10.0 20.0 10.0 26.0 25.0 16.0 19.0 20.0 12.0 19.0 50.0 16.0 30.0 18.0 25.0 14.0 20.0 8.0 67.0 13.0 41.0 10.0 21.0 13.0 8.0 15.0 14.0 12.0 6.0 11.0 10.0 42.0 21.0 24.0 14.0 11.0 204.0 14.0 45.0 33.0 28.0 18.0 14.0 47.0 15.0 14.0 18.0 20.0 14.0 16.0 14.0 20.0 60.0 22.0 15.0 17.0 19.0 18.0 21.0 21.0 47.0 65.0 17.0 32.0 63.0 15.0 26.0 14.0 20.0 22.0 19.0 18.0 20.0
1 2PM_zh.wikipedia.org_all-access_spider 11.0 14.0 15.0 18.0 11.0 13.0 22.0 11.0 10.0 4.0 41.0 65.0 57.0 38.0 20.0 62.0 44.0 15.0 10.0 47.0 24.0 17.0 22.0 9.0 39.0 13.0 11.0 12.0 21.0 19.0 9.0 15.0 33.0 8.0 8.0 7.0 13.0 2.0 23.0 12.0 27.0 27.0 36.0 23.0 58.0 80.0 60.0 69.0 42.0 161.0 94.0 77.0 78.0 20.0 24.0 13.0 14.0 26.0 8.0 82.0 22.0 11.0 81.0 37.0 9.0 40.0 47.0 18.0 23.0 6.0 2.0 7.0 16.0 10.0 34.0 14.0 31.0 20.0 23.0 14.0 16.0 34.0 15.0 30.0 13.0 30.0 15.0 25.0 17.0 8.0 12.0 17.0 10.0 21.0 18.0 30.0 13.0 7.0 15.0 23.0 20.0 15.0 9.0 47.0 14.0 11.0 16.0 12.0 7.0 15.0 14.0 12.0 18.0 29.0 39.0 11.0 14.0 28.0 17.0 20.0 17.0 36.0 13.0 11.0 14.0 14.0 14.0 33.0 14.0 13.0 18.0 13.0 11.0 8.0 10.0 11.0 81.0 14.0 20.0 6.0 16.0 18.0 9.0 12.0 10.0 8.0 11.0 14.0 47.0 13.0 13.0 6.0 10.0 8.0 8.0 8.0 18.0 31.0 16.0 15.0 10.0 13.0 9.0 32.0 161.0 6.0 20.0 8.0 11.0 13.0 8.0 19.0 7.0 9.0 16.0 11.0 6.0 38.0 11.0 17.0 13.0 12.0 12.0 9.0 7.0 15.0 14.0 14.0 11.0 13.0 12.0 12.0 24.0 15.0 38.0 18.0 26.0 15.0 12.0 14.0 40.0 19.0 13.0 39.0 19.0 16.0 19.0 11.0 76.0 14.0 19.0 26.0 19.0 17.0 30.0 17.0 17.0 17.0 19.0 11.0 175.0 10.0 5.0 12.0 7.0 12.0 14.0 19.0 11.0 19.0 17.0 15.0 19.0 15.0 9.0 20.0 6.0 11.0 6.0 15.0 20.0 35.0 34.0 21.0 17.0 22.0 26.0 16.0 16.0 28.0 19.0 17.0 15.0 11.0 7.0 15.0 11.0 36.0 16.0 22.0 18.0 46.0 17.0 15.0 17.0 12.0 17.0 14.0 15.0 14.0 15.0 28.0 36.0 23.0 12.0 25.0 18.0 18.0 16.0 20.0 17.0 16.0 13.0 15.0 19.0 14.0 20.0 37.0 16.0 15.0 11.0 42.0 10.0 14.0 61.0 39.0 17.0 17.0 41.0 35.0 16.0 9.0 64.0 22.0 22.0 66.0 33.0 30.0 16.0 18.0 45.0 17.0 88.0 23.0 18.0 12.0 12.0 13.0 13.0 5.0 11.0 13.0 11.0 22.0 10.0 13.0 17.0 10.0 14.0 18.0 9.0 16.0 17.0 6.0 15.0 18.0 10.0 11.0 16.0 10.0 12.0 12.0 13.0 9.0 16.0 19.0 19.0 11.0 15.0 10.0 20.0 25.0 9.0 14.0 10.0 14.0 18.0 25.0 13.0 24.0 14.0 13.0 14.0 24.0 16.0 15.0 13.0 11.0 12.0 28.0 28.0 17.0 27.0 48.0 184.0 64.0 24.0 92.0 31.0 34.0 49.0 21.0 36.0 32.0 16.0 16.0 19.0 22.0 22.0 19.0 18.0 18.0 17.0 35.0 49.0 19.0 25.0 24.0 39.0 19.0 29.0 30.0 16.0 54.0 15.0 39.0 19.0 17.0 60.0 12.0 77.0 63.0 12.0 9.0 34.0 30.0 13.0 20.0 29.0 10.0 14.0 23.0 15.0 12.0 25.0 22.0 144.0 31.0 31.0 17.0 66.0 78.0 19.0 44.0 43.0 35.0 13.0 13.0 25.0 15.0 37.0 38.0 22.0 28.0 19.0 46.0 24.0 22.0 43.0 58.0 26.0 20.0 27.0 35.0 20.0 31.0 24.0 24.0 94.0 18.0 20.0 18.0 16.0 38.0 54.0 29.0 49.0 25.0 72.0 144.0 36.0 97.0 179.0 29.0 12.0 21.0 42.0 53.0 41.0 19.0 25.0 19.0 15.0 21.0 21.0 27.0 33.0 15.0 24.0 13.0 11.0 14.0 26.0 11.0 21.0 14.0 14.0 54.0 5.0 10.0 12.0 11.0 14.0 28.0 23.0 20.0 9.0 12.0 11.0 14.0 14.0 15.0 15.0 11.0 20.0 13.0 19.0 621.0 57.0 17.0 23.0 19.0 21.0 47.0 28.0 22.0 22.0 65.0 27.0 17.0 17.0 13.0 9.0 18.0 22.0 17.0 15.0 22.0 23.0 19.0 17.0 42.0 28.0 15.0 9.0 30.0 52.0 45.0 26.0 20.0
2 3C_zh.wikipedia.org_all-access_spider 1.0 0.0 1.0 1.0 0.0 4.0 0.0 3.0 4.0 4.0 1.0 1.0 1.0 6.0 8.0 6.0 4.0 5.0 1.0 2.0 3.0 8.0 8.0 6.0 6.0 2.0 2.0 3.0 2.0 4.0 3.0 3.0 5.0 3.0 5.0 4.0 2.0 5.0 1.0 4.0 5.0 0.0 0.0 7.0 3.0 5.0 1.0 6.0 2.0 5.0 0.0 3.0 1.0 0.0 1.0 1.0 2.0 4.0 2.0 1.0 1.0 3.0 4.0 3.0 6.0 6.0 4.0 3.0 3.0 2.0 9.0 7.0 2.0 3.0 1.0 3.0 1.0 6.0 7.0 1.0 2.0 5.0 2.0 3.0 8.0 5.0 0.0 4.0 1.0 5.0 3.0 0.0 1.0 8.0 2.0 1.0 3.0 0.0 0.0 5.0 3.0 3.0 0.0 2.0 5.0 2.0 5.0 10.0 5.0 6.0 1.0 4.0 4.0 1.0 3.0 13.0 2.0 1.0 3.0 2.0 1.0 10.0 5.0 6.0 2.0 5.0 2.0 2.0 3.0 2.0 6.0 3.0 2.0 1.0 2.0 3.0 1.0 1.0 2.0 2.0 3.0 2.0 2.0 5.0 7.0 2.0 3.0 4.0 6.0 1.0 3.0 6.0 3.0 3.0 4.0 2.0 2.0 4.0 3.0 1.0 5.0 5.0 4.0 2.0 4.0 5.0 4.0 2.0 1.0 6.0 1.0 1.0 3.0 1.0 3.0 5.0 3.0 3.0 0.0 5.0 3.0 2.0 2.0 2.0 2.0 0.0 3.0 3.0 3.0 4.0 4.0 8.0 3.0 5.0 8.0 1.0 4.0 0.0 3.0 6.0 3.0 1.0 3.0 3.0 3.0 1.0 3.0 8.0 4.0 3.0 2.0 5.0 6.0 3.0 6.0 5.0 6.0 7.0 3.0 1.0 5.0 1.0 2.0 0.0 1.0 4.0 3.0 3.0 9.0 4.0 7.0 5.0 10.0 2.0 3.0 3.0 4.0 2.0 3.0 5.0 3.0 6.0 4.0 5.0 5.0 2.0 1.0 4.0 7.0 2.0 2.0 5.0 1.0 0.0 3.0 3.0 1.0 2.0 4.0 2.0 2.0 3.0 4.0 7.0 1.0 1.0 10.0 9.0 5.0 1.0 6.0 7.0 4.0 6.0 2.0 4.0 155.0 155.0 83.0 48.0 31.0 16.0 6.0 13.0 8.0 8.0 5.0 7.0 3.0 4.0 6.0 7.0 10.0 9.0 7.0 8.0 4.0 6.0 5.0 2.0 7.0 3.0 7.0 6.0 3.0 1.0 6.0 2.0 1.0 3.0 8.0 3.0 5.0 4.0 7.0 5.0 2.0 5.0 0.0 3.0 12.0 4.0 2.0 4.0 6.0 4.0 5.0 9.0 4.0 5.0 7.0 1.0 5.0 1.0 5.0 4.0 5.0 7.0 7.0 5.0 3.0 4.0 1.0 9.0 3.0 4.0 6.0 2.0 2.0 1.0 16.0 6.0 3.0 3.0 6.0 1.0 6.0 1.0 4.0 3.0 5.0 1.0 6.0 5.0 1.0 4.0 5.0 4.0 2.0 4.0 3.0 4.0 2.0 0.0 1.0 3.0 12.0 4.0 7.0 5.0 6.0 6.0 6.0 3.0 3.0 3.0 5.0 5.0 2.0 11.0 6.0 2.0 2.0 3.0 7.0 5.0 4.0 5.0 3.0 3.0 9.0 7.0 2.0 1.0 5.0 6.0 7.0 13.0 3.0 5.0 6.0 2.0 4.0 1.0 2.0 7.0 2.0 2.0 4.0 4.0 2.0 5.0 3.0 2.0 3.0 5.0 4.0 2.0 5.0 7.0 5.0 2.0 7.0 6.0 11.0 10.0 5.0 19.0 7.0 11.0 4.0 10.0 3.0 4.0 6.0 3.0 4.0 8.0 10.0 3.0 3.0 1.0 10.0 5.0 4.0 4.0 3.0 4.0 1.0 3.0 6.0 6.0 6.0 3.0 5.0 11.0 6.0 3.0 7.0 6.0 0.0 2.0 4.0 4.0 3.0 6.0 4.0 3.0 4.0 1.0 6.0 5.0 5.0 2.0 3.0 3.0 2.0 2.0 6.0 1.0 3.0 3.0 3.0 2.0 10.0 2.0 2.0 2.0 7.0 3.0 6.0 4.0 2.0 4.0 6.0 5.0 4.0 4.0 3.0 3.0 9.0 3.0 5.0 4.0 0.0 1.0 4.0 5.0 8.0 8.0 1.0 1.0 2.0 5.0 3.0 3.0 3.0 7.0 3.0 9.0 8.0 3.0 210.0 5.0 4.0 6.0 2.0 2.0 4.0 3.0 3.0 1.0 1.0 7.0 4.0 4.0 6.0 3.0 4.0 17.0
3 4minute_zh.wikipedia.org_all-access_spider 35.0 13.0 10.0 94.0 4.0 26.0 14.0 9.0 11.0 16.0 16.0 11.0 23.0 145.0 14.0 17.0 85.0 4.0 30.0 22.0 9.0 10.0 11.0 7.0 7.0 11.0 9.0 11.0 44.0 8.0 14.0 19.0 10.0 17.0 17.0 10.0 7.0 10.0 1.0 8.0 27.0 19.0 16.0 2.0 84.0 22.0 14.0 47.0 25.0 14.0 11.0 12.0 27.0 8.0 17.0 43.0 3.0 19.0 14.0 20.0 43.0 4.0 5.0 37.0 23.0 14.0 12.0 13.0 22.0 12.0 12.0 6.0 27.0 5.0 7.0 24.0 8.0 9.0 10.0 12.0 19.0 7.0 7.0 18.0 15.0 7.0 9.0 10.0 9.0 14.0 8.0 17.0 6.0 8.0 7.0 5.0 3.0 9.0 5.0 6.0 8.0 8.0 11.0 6.0 7.0 28.0 15.0 8.0 7.0 7.0 12.0 5.0 11.0 3.0 7.0 23.0 6.0 3.0 8.0 8.0 39.0 4.0 10.0 6.0 8.0 9.0 16.0 9.0 8.0 8.0 7.0 5.0 5.0 12.0 8.0 15.0 9.0 12.0 5.0 7.0 6.0 12.0 7.0 6.0 33.0 5.0 11.0 6.0 4.0 32.0 9.0 17.0 2.0 10.0 10.0 5.0 7.0 11.0 8.0 10.0 6.0 17.0 11.0 20.0 11.0 15.0 18.0 10.0 15.0 12.0 12.0 12.0 8.0 13.0 9.0 11.0 4.0 12.0 9.0 6.0 12.0 9.0 9.0 6.0 7.0 7.0 11.0 7.0 14.0 9.0 21.0 9.0 10.0 13.0 10.0 13.0 16.0 8.0 10.0 7.0 13.0 18.0 8.0 50.0 8.0 33.0 6.0 22.0 9.0 84.0 28.0 11.0 7.0 14.0 16.0 49.0 71.0 29.0 22.0 6.0 34.0 16.0 14.0 9.0 12.0 24.0 18.0 8.0 26.0 8.0 8.0 13.0 21.0 9.0 10.0 14.0 12.0 9.0 10.0 20.0 15.0 26.0 24.0 19.0 10.0 12.0 8.0 16.0 13.0 8.0 17.0 12.0 34.0 10.0 9.0 9.0 15.0 10.0 12.0 8.0 11.0 9.0 28.0 17.0 11.0 13.0 10.0 10.0 10.0 16.0 12.0 12.0 13.0 25.0 25.0 18.0 18.0 23.0 27.0 39.0 11.0 16.0 9.0 26.0 14.0 15.0 10.0 23.0 17.0 74.0 114.0 8.0 15.0 15.0 15.0 12.0 14.0 14.0 23.0 21.0 11.0 19.0 9.0 10.0 11.0 14.0 9.0 5.0 10.0 20.0 22.0 16.0 9.0 10.0 42.0 22.0 7.0 7.0 54.0 7.0 9.0 13.0 5.0 10.0 12.0 18.0 23.0 23.0 17.0 6.0 14.0 13.0 13.0 9.0 11.0 35.0 8.0 12.0 15.0 10.0 25.0 9.0 8.0 8.0 10.0 14.0 9.0 11.0 303.0 29.0 121.0 69.0 39.0 25.0 27.0 54.0 39.0 24.0 22.0 20.0 14.0 12.0 8.0 17.0 11.0 15.0 19.0 20.0 11.0 36.0 19.0 35.0 22.0 14.0 17.0 15.0 12.0 34.0 20.0 25.0 15.0 18.0 19.0 13.0 17.0 16.0 11.0 22.0 43.0 8.0 13.0 16.0 8.0 19.0 14.0 9.0 13.0 13.0 16.0 10.0 10.0 11.0 17.0 32.0 21.0 16.0 23.0 15.0 55.0 17.0 17.0 15.0 7.0 13.0 11.0 11.0 8.0 22.0 5.0 7.0 18.0 9.0 13.0 27.0 15.0 19.0 7.0 9.0 14.0 14.0 9.0 16.0 11.0 7.0 14.0 13.0 11.0 9.0 9.0 9.0 11.0 15.0 28.0 10.0 24.0 8.0 20.0 19.0 12.0 31.0 14.0 9.0 40.0 15.0 83.0 60.0 19.0 15.0 15.0 12.0 23.0 17.0 20.0 26.0 11.0 13.0 9.0 44.0 7.0 18.0 4.0 36.0 34.0 10.0 8.0 21.0 7.0 6.0 12.0 15.0 9.0 13.0 21.0 13.0 10.0 21.0 15.0 103.0 22.0 15.0 12.0 11.0 15.0 7.0 12.0 13.0 9.0 8.0 21.0 16.0 38.0 13.0 14.0 17.0 26.0 14.0 10.0 9.0 23.0 15.0 7.0 10.0 7.0 10.0 14.0 17.0 11.0 9.0 11.0 5.0 10.0 8.0 17.0 13.0 23.0 40.0 16.0 17.0 41.0 17.0 8.0 9.0 18.0 12.0 12.0 18.0 13.0 18.0 23.0 10.0 32.0 10.0 26.0 27.0 16.0 11.0 17.0 19.0 10.0 11.0
4 52_Hz_I_Love_You_zh.wikipedia.org_all-access_s... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 38.0 159.0 9.0 4.0 1.0 10.0 9.0 2.0 0.0 5.0 0.0 3.0 55.0 234.0 57.0 5.0 4.0 4.0 0.0 9.0 9.0 6.0 6.0 6.0 10.0 7.0 5.0 4.0 6.0 4.0 2.0 6.0 5.0 3.0 3.0 2.0 5.0 5.0 8.0 8.0 6.0 3.0 7.0 7.0 6.0 6.0 2.0 8.0 3.0 7.0 8.0 3.0 4.0 5.0 2.0 1.0 1.0 1.0 2.0 8.0 6.0 1.0 0.0 4.0 2.0 6.0 2.0 2.0 2.0 1.0 5.0 2.0 2.0 2.0 3.0 10.0 1.0 3.0 4.0 2.0 3.0 4.0 1.0 1.0 9.0 0.0 1.0 6.0 2.0 5.0 2.0 2.0 3.0 2.0 11.0 1.0 4.0 4.0 2.0 10.0 5.0 3.0 10.0 2.0 5.0 7.0 2.0 5.0 8.0 2.0 5.0 1.0 1.0 2.0 6.0 6.0 2.0 1.0 3.0 2.0 3.0 4.0 3.0 2.0 0.0 13.0 4.0 2.0 4.0 3.0 3.0 1.0 3.0 5.0 2.0 3.0 2.0 4.0 3.0 39.0 4.0 3.0 1.0 5.0 5.0 5.0 5.0 8.0 15.0 13.0 63.0 2.0 2.0 3.0 6.0 10.0 2.0 8.0 4.0 3.0 3.0 6.0 4.0 1.0 5.0 9.0 1.0 6.0 4.0 0.0 4.0 9.0 6.0 8.0 13.0 4.0 7.0 6.0 9.0 3.0 21.0 6.0 13.0 10.0 2.0 3.0 6.0 7.0 10.0 6.0 6.0 4.0 173.0 5.0 10.0 10.0 18.0 20.0 11.0 5.0 6.0 33.0 13.0 10.0 22.0 11.0 8.0 4.0 10.0 13.0 11.0 8.0 6.0 10.0 14.0 6.0 9.0 6.0 16.0 14.0 13.0 15.0 14.0 16.0 9.0 178.0 64.0 12.0 10.0 11.0 6.0 8.0 7.0 9.0 8.0 5.0 11.0 8.0 4.0 15.0 5.0 8.0 8.0 6.0 7.0 15.0 4.0 11.0 7.0 48.0 9.0 25.0 13.0 3.0 11.0 27.0 13.0 36.0 10.0
5 5566_zh.wikipedia.org_all-access_spider 12.0 7.0 4.0 5.0 20.0 8.0 5.0 17.0 24.0 7.0 12.0 11.0 7.0 9.0 6.0 10.0 8.0 13.0 3.0 14.0 4.0 9.0 14.0 10.0 8.0 3.0 74.0 17.0 8.0 6.0 9.0 3.0 10.0 21.0 9.0 5.0 3.0 4.0 1.0 7.0 3.0 15.0 5.0 6.0 9.0 4.0 6.0 7.0 9.0 11.0 11.0 2.0 3.0 7.0 23.0 4.0 8.0 8.0 10.0 5.0 8.0 4.0 4.0 8.0 18.0 6.0 4.0 9.0 6.0 8.0 5.0 11.0 5.0 10.0 25.0 29.0 3.0 10.0 9.0 16.0 13.0 7.0 22.0 9.0 9.0 17.0 10.0 24.0 13.0 23.0 12.0 2.0 14.0 13.0 25.0 13.0 12.0 11.0 8.0 5.0 30.0 6.0 10.0 10.0 10.0 6.0 8.0 13.0 21.0 29.0 38.0 6.0 22.0 10.0 6.0 11.0 13.0 6.0 8.0 14.0 16.0 16.0 4.0 12.0 7.0 9.0 9.0 8.0 11.0 8.0 17.0 7.0 4.0 11.0 8.0 4.0 3.0 22.0 9.0 6.0 13.0 12.0 12.0 8.0 7.0 25.0 7.0 11.0 9.0 5.0 21.0 6.0 12.0 5.0 12.0 9.0 7.0 11.0 73.0 14.0 4.0 12.0 11.0 5.0 20.0 7.0 6.0 9.0 17.0 14.0 17.0 10.0 16.0 8.0 8.0 14.0 13.0 14.0 13.0 7.0 14.0 10.0 16.0 14.0 10.0 9.0 8.0 14.0 5.0 10.0 11.0 22.0 13.0 9.0 10.0 12.0 15.0 14.0 11.0 9.0 12.0 6.0 18.0 11.0 20.0 16.0 14.0 15.0 11.0 12.0 17.0 11.0 19.0 13.0 13.0 7.0 24.0 8.0 6.0 9.0 12.0 5.0 10.0 5.0 8.0 2.0 9.0 10.0 10.0 15.0 18.0 19.0 45.0 6.0 13.0 40.0 14.0 11.0 8.0 5.0 17.0 16.0 13.0 22.0 16.0 10.0 11.0 18.0 53.0 213.0 20.0 19.0 15.0 4.0 8.0 14.0 8.0 11.0 15.0 13.0 8.0 11.0 7.0 12.0 22.0 19.0 9.0 11.0 11.0 8.0 11.0 14.0 17.0 13.0 12.0 14.0 8.0 18.0 20.0 28.0 19.0 21.0 21.0 26.0 17.0 27.0 22.0 20.0 33.0 21.0 17.0 14.0 8.0 8.0 10.0 14.0 28.0 23.0 26.0 11.0 28.0 6.0 18.0 18.0 19.0 11.0 11.0 18.0 16.0 25.0 19.0 8.0 13.0 14.0 12.0 8.0 16.0 13.0 14.0 14.0 8.0 9.0 13.0 15.0 20.0 15.0 13.0 16.0 8.0 21.0 14.0 22.0 5.0 10.0 9.0 15.0 19.0 14.0 8.0 34.0 9.0 10.0 11.0 17.0 18.0 27.0 15.0 16.0 28.0 13.0 31.0 24.0 19.0 8.0 9.0 12.0 19.0 11.0 11.0 23.0 17.0 13.0 12.0 12.0 16.0 9.0 4.0 7.0 14.0 8.0 9.0 9.0 17.0 22.0 11.0 20.0 11.0 15.0 10.0 15.0 7.0 15.0 12.0 14.0 8.0 11.0 14.0 10.0 26.0 28.0 19.0 16.0 12.0 7.0 20.0 13.0 10.0 18.0 12.0 26.0 12.0 12.0 13.0 14.0 29.0 15.0 18.0 48.0 14.0 21.0 14.0 20.0 8.0 10.0 21.0 19.0 7.0 10.0 18.0 11.0 18.0 15.0 12.0 10.0 8.0 12.0 15.0 9.0 19.0 19.0 16.0 13.0 17.0 16.0 17.0 16.0 44.0 16.0 19.0 6.0 11.0 23.0 30.0 13.0 14.0 17.0 15.0 15.0 15.0 18.0 15.0 22.0 19.0 18.0 15.0 19.0 15.0 20.0 27.0 15.0 59.0 28.0 15.0 18.0 16.0 78.0 97.0 35.0 40.0 97.0 49.0 24.0 29.0 42.0 30.0 30.0 38.0 25.0 18.0 27.0 27.0 32.0 27.0 25.0 15.0 15.0 19.0 102.0 23.0 26.0 21.0 25.0 53.0 13.0 22.0 33.0 19.0 18.0 21.0 24.0 22.0 21.0 18.0 30.0 20.0 12.0 17.0 12.0 122.0 31.0 16.0 15.0 16.0 23.0 30.0 12.0 6.0 17.0 17.0 18.0 15.0 19.0 35.0 16.0 25.0 13.0 19.0 15.0 25.0 135.0 22.0 18.0 12.0 21.0 16.0 52.0 24.0 15.0 28.0 17.0 16.0 27.0 8.0 17.0 32.0 19.0 23.0 17.0 17.0 50.0
6 91Days_zh.wikipedia.org_all-access_spider NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 61.0 5.0 18.0 26.0 3.0 10.0 5.0 2.0 16.0 40.0 57.0 86.0 8.0 9.0 9.0 3.0 22.0 38.0 18.0 10.0 18.0 14.0 9.0 11.0 12.0 6.0 10.0 59.0 15.0 9.0 86.0 10.0 121.0 26.0 12.0 8.0 11.0 76.0 50.0 23.0 7.0 11.0 14.0 11.0 54.0 30.0 37.0 6.0 9.0 19.0 15.0 23.0 97.0 11.0 26.0 9.0 10.0 21.0 30.0 38.0 8.0 11.0 14.0 11.0 32.0 54.0 65.0 22.0 28.0 21.0 12.0 12.0 15.0 18.0 4.0 7.0 10.0 30.0 16.0 45.0 30.0 15.0 33.0 12.0 4.0 6.0 18.0 10.0 43.0 10.0 52.0 28.0 30.0 83.0 46.0 20.0 10.0 11.0 28.0 10.0 27.0 7.0 10.0 18.0 12.0 12.0 11.0 21.0 40.0 13.0 14.0 11.0 8.0 12.0 13.0 8.0 47.0 32.0 96.0 9.0 14.0 17.0 42.0 17.0 7.0 20.0 12.0 10.0 5.0 87.0 26.0 46.0 11.0 9.0 7.0 11.0 7.0 8.0 14.0 9.0 8.0 3.0 7.0 7.0 8.0 10.0 6.0 10.0 9.0 6.0 15.0 7.0 8.0 9.0 6.0 6.0 4.0 18.0 11.0 12.0 8.0 7.0 15.0 13.0 1.0 8.0 15.0 6.0 10.0 16.0 3.0 9.0 4.0 7.0 7.0 2.0 7.0 33.0 8.0 11.0 4.0 15.0 6.0 8.0 6.0
7 A'N'D_zh.wikipedia.org_all-access_spider 118.0 26.0 30.0 24.0 29.0 127.0 53.0 37.0 20.0 32.0 17.0 23.0 47.0 33.0 47.0 58.0 29.0 187.0 128.0 34.0 38.0 8.0 38.0 17.0 45.0 14.0 15.0 56.0 30.0 15.0 115.0 6.0 25.0 10.0 135.0 40.0 63.0 32.0 35.0 65.0 14.0 21.0 35.0 50.0 49.0 38.0 12.0 37.0 87.0 66.0 90.0 64.0 402.0 86.0 90.0 30.0 86.0 61.0 7.0 44.0 7.0 15.0 11.0 61.0 9.0 23.0 31.0 154.0 11.0 16.0 5.0 6.0 7.0 5.0 4.0 9.0 12.0 31.0 11.0 11.0 10.0 21.0 7.0 9.0 5.0 1.0 68.0 9.0 4.0 10.0 44.0 34.0 59.0 53.0 12.0 71.0 26.0 79.0 21.0 80.0 43.0 32.0 72.0 62.0 12.0 6.0 14.0 4.0 69.0 25.0 18.0 3.0 8.0 5.0 12.0 18.0 8.0 45.0 13.0 3.0 19.0 43.0 31.0 15.0 40.0 63.0 27.0 3.0 29.0 20.0 12.0 12.0 2.0 5.0 18.0 6.0 25.0 13.0 57.0 5.0 4.0 1.0 110.0 93.0 142.0 114.0 140.0 37.0 6.0 30.0 96.0 18.0 66.0 25.0 3.0 9.0 153.0 246.0 100.0 38.0 40.0 24.0 6.0 7.0 21.0 88.0 57.0 21.0 16.0 34.0 18.0 27.0 13.0 80.0 26.0 7.0 11.0 15.0 12.0 19.0 9.0 19.0 17.0 32.0 156.0 84.0 61.0 33.0 18.0 25.0 270.0 108.0 39.0 31.0 242.0 45.0 51.0 99.0 35.0 52.0 46.0 45.0 26.0 29.0 33.0 43.0 38.0 25.0 23.0 38.0 35.0 27.0 40.0 24.0 68.0 22.0 40.0 13.0 19.0 43.0 26.0 22.0 13.0 75.0 25.0 30.0 39.0 5.0 43.0 24.0 41.0 266.0 15.0 15.0 17.0 63.0 39.0 35.0 31.0 32.0 26.0 77.0 25.0 111.0 22.0 35.0 15.0 28.0 21.0 20.0 17.0 10.0 12.0 9.0 36.0 21.0 14.0 36.0 8.0 20.0 11.0 54.0 8.0 7.0 15.0 53.0 14.0 20.0 17.0 20.0 14.0 11.0 18.0 15.0 28.0 39.0 19.0 23.0 22.0 14.0 13.0 47.0 8.0 12.0 10.0 8.0 22.0 16.0 12.0 19.0 11.0 46.0 15.0 16.0 30.0 17.0 18.0 32.0 17.0 141.0 150.0 13.0 107.0 30.0 23.0 12.0 17.0 28.0 24.0 73.0 88.0 17.0 27.0 50.0 29.0 51.0 28.0 78.0 24.0 7.0 25.0 8.0 24.0 58.0 24.0 36.0 37.0 52.0 14.0 19.0 5.0 11.0 15.0 27.0 11.0 38.0 23.0 188.0 27.0 141.0 52.0 40.0 62.0 12.0 13.0 148.0 133.0 26.0 9.0 17.0 42.0 50.0 45.0 33.0 34.0 27.0 19.0 14.0 12.0 16.0 94.0 61.0 23.0 37.0 15.0 35.0 33.0 128.0 11.0 26.0 21.0 44.0 27.0 16.0 14.0 37.0 75.0 39.0 42.0 34.0 63.0 68.0 114.0 194.0 229.0 153.0 44.0 192.0 55.0 54.0 102.0 81.0 91.0 76.0 37.0 52.0 136.0 9.0 88.0 113.0 123.0 176.0 520.0 123.0 93.0 43.0 37.0 137.0 35.0 64.0 59.0 87.0 84.0 67.0 138.0 156.0 62.0 200.0 73.0 110.0 135.0 145.0 151.0 87.0 66.0 92.0 85.0 77.0 87.0 91.0 23.0 48.0 87.0 37.0 35.0 53.0 56.0 49.0 35.0 66.0 44.0 43.0 64.0 193.0 43.0 147.0 75.0 66.0 27.0 18.0 120.0 29.0 25.0 64.0 65.0 90.0 44.0 70.0 29.0 64.0 62.0 33.0 27.0 42.0 68.0 20.0 85.0 56.0 58.0 21.0 104.0 54.0 78.0 113.0 41.0 48.0 31.0 21.0 56.0 52.0 89.0 83.0 44.0 80.0 53.0 38.0 102.0 54.0 41.0 77.0 73.0 21.0 77.0 107.0 185.0 33.0 150.0 42.0 80.0 70.0 81.0 59.0 19.0 55.0 48.0 44.0 21.0 58.0 141.0 115.0 30.0 74.0 11.0 49.0 28.0 62.0 28.0 30.0 32.0 59.0 17.0 38.0 76.0 97.0 18.0 163.0 39.0 33.0 23.0 16.0 102.0 22.0 52.0 39.0 125.0 189.0 49.0 55.0 26.0 77.0 64.0 35.0 35.0 28.0 20.0 23.0 32.0 39.0 32.0 17.0
8 AKB48_zh.wikipedia.org_all-access_spider 5.0 23.0 14.0 12.0 9.0 9.0 35.0 15.0 14.0 22.0 8.0 16.0 18.0 12.0 14.0 14.0 7.0 7.0 20.0 82.0 8.0 17.0 18.0 15.0 23.0 11.0 20.0 35.0 20.0 11.0 13.0 11.0 13.0 20.0 47.0 25.0 93.0 13.0 18.0 24.0 8.0 13.0 6.0 12.0 5.0 44.0 15.0 13.0 19.0 12.0 6.0 11.0 12.0 24.0 27.0 60.0 11.0 18.0 10.0 15.0 12.0 37.0 18.0 15.0 7.0 25.0 20.0 14.0 14.0 14.0 13.0 7.0 15.0 12.0 15.0 7.0 15.0 32.0 15.0 23.0 78.0 107.0 25.0 55.0 7.0 41.0 31.0 25.0 22.0 14.0 16.0 22.0 20.0 26.0 21.0 25.0 53.0 22.0 20.0 15.0 32.0 25.0 40.0 26.0 14.0 19.0 28.0 25.0 23.0 35.0 28.0 11.0 25.0 19.0 21.0 28.0 29.0 36.0 63.0 61.0 38.0 38.0 48.0 70.0 30.0 39.0 19.0 38.0 44.0 25.0 32.0 33.0 23.0 16.0 13.0 20.0 31.0 16.0 24.0 24.0 22.0 15.0 43.0 34.0 37.0 41.0 50.0 59.0 46.0 72.0 31.0 28.0 17.0 42.0 54.0 59.0 13.0 23.0 31.0 44.0 40.0 32.0 27.0 28.0 31.0 39.0 15.0 56.0 131.0 27.0 40.0 27.0 32.0 25.0 38.0 36.0 46.0 26.0 42.0 20.0 34.0 27.0 26.0 46.0 44.0 48.0 33.0 21.0 47.0 32.0 19.0 20.0 30.0 37.0 45.0 24.0 38.0 31.0 39.0 35.0 32.0 32.0 44.0 50.0 54.0 31.0 30.0 24.0 33.0 25.0 24.0 38.0 34.0 47.0 31.0 34.0 41.0 42.0 39.0 24.0 18.0 28.0 25.0 24.0 76.0 46.0 29.0 37.0 92.0 157.0 42.0 38.0 37.0 40.0 28.0 68.0 41.0 29.0 104.0 28.0 24.0 33.0 44.0 39.0 39.0 40.0 31.0 43.0 52.0 56.0 55.0 52.0 25.0 18.0 18.0 28.0 17.0 31.0 35.0 64.0 69.0 24.0 16.0 34.0 28.0 42.0 24.0 43.0 22.0 114.0 41.0 23.0 28.0 37.0 33.0 38.0 73.0 28.0 28.0 25.0 27.0 28.0 36.0 76.0 35.0 66.0 61.0 68.0 32.0 48.0 27.0 39.0 57.0 43.0 31.0 37.0 27.0 26.0 22.0 62.0 25.0 27.0 25.0 15.0 25.0 40.0 26.0 26.0 34.0 40.0 107.0 45.0 44.0 35.0 42.0 37.0 143.0 36.0 34.0 25.0 16.0 22.0 27.0 22.0 32.0 39.0 28.0 29.0 33.0 19.0 35.0 21.0 46.0 34.0 30.0 26.0 28.0 28.0 17.0 34.0 45.0 37.0 23.0 27.0 71.0 203.0 47.0 32.0 44.0 45.0 41.0 29.0 37.0 84.0 58.0 33.0 59.0 52.0 47.0 31.0 34.0 42.0 28.0 40.0 40.0 35.0 33.0 108.0 27.0 50.0 43.0 56.0 35.0 35.0 29.0 33.0 37.0 70.0 48.0 34.0 48.0 28.0 35.0 27.0 48.0 40.0 37.0 41.0 26.0 42.0 24.0 25.0 42.0 56.0 28.0 41.0 54.0 58.0 40.0 31.0 34.0 21.0 47.0 29.0 44.0 65.0 28.0 35.0 22.0 37.0 43.0 34.0 18.0 24.0 33.0 27.0 38.0 18.0 27.0 28.0 60.0 31.0 40.0 30.0 36.0 35.0 21.0 27.0 26.0 29.0 22.0 35.0 22.0 31.0 24.0 34.0 15.0 47.0 45.0 27.0 36.0 27.0 29.0 32.0 32.0 33.0 30.0 27.0 29.0 34.0 31.0 27.0 28.0 25.0 24.0 34.0 34.0 28.0 50.0 23.0 47.0 24.0 37.0 19.0 19.0 28.0 42.0 40.0 29.0 29.0 45.0 24.0 24.0 29.0 49.0 23.0 32.0 17.0 26.0 30.0 19.0 35.0 44.0 30.0 40.0 23.0 26.0 43.0 42.0 19.0 29.0 24.0 72.0 35.0 27.0 89.0 52.0 30.0 25.0 60.0 25.0 63.0 32.0 44.0 25.0 27.0 23.0 34.0 90.0 82.0 30.0 33.0 28.0 25.0 30.0 40.0 20.0 65.0 45.0 26.0 18.0 74.0 71.0 35.0 33.0 22.0 100.0 119.0 26.0 59.0 81.0 20.0 31.0 31.0 30.0 59.0 111.0 32.0 34.0 31.0 34.0 105.0 72.0 36.0 33.0 30.0 36.0 38.0 31.0 97.0
9 ASCII_zh.wikipedia.org_all-access_spider 6.0 3.0 5.0 12.0 6.0 5.0 4.0 13.0 9.0 15.0 18.0 7.0 8.0 12.0 25.0 23.0 6.0 10.0 7.0 3.0 17.0 10.0 16.0 10.0 7.0 6.0 15.0 12.0 32.0 7.0 10.0 5.0 13.0 22.0 15.0 12.0 9.0 3.0 12.0 6.0 4.0 6.0 4.0 4.0 16.0 11.0 8.0 5.0 5.0 6.0 12.0 9.0 15.0 10.0 10.0 15.0 5.0 7.0 9.0 7.0 9.0 9.0 7.0 12.0 6.0 9.0 9.0 9.0 26.0 2.0 7.0 15.0 10.0 8.0 2.0 17.0 9.0 24.0 23.0 14.0 14.0 13.0 21.0 24.0 19.0 18.0 13.0 14.0 14.0 15.0 10.0 16.0 13.0 13.0 14.0 17.0 11.0 6.0 25.0 21.0 14.0 15.0 7.0 12.0 23.0 16.0 12.0 16.0 8.0 10.0 18.0 16.0 22.0 12.0 15.0 13.0 16.0 19.0 21.0 23.0 25.0 12.0 15.0 14.0 17.0 16.0 13.0 14.0 12.0 9.0 13.0 18.0 20.0 7.0 15.0 21.0 14.0 13.0 25.0 19.0 19.0 23.0 32.0 20.0 9.0 14.0 16.0 21.0 26.0 14.0 19.0 24.0 14.0 15.0 21.0 17.0 27.0 11.0 21.0 16.0 27.0 23.0 28.0 23.0 21.0 18.0 35.0 29.0 17.0 25.0 28.0 20.0 15.0 22.0 19.0 25.0 23.0 36.0 16.0 13.0 25.0 13.0 19.0 24.0 11.0 18.0 20.0 27.0 26.0 21.0 30.0 36.0 36.0 41.0 33.0 23.0 21.0 31.0 16.0 24.0 24.0 12.0 16.0 23.0 29.0 14.0 16.0 12.0 28.0 23.0 38.0 30.0 40.0 17.0 11.0 16.0 14.0 16.0 20.0 21.0 18.0 17.0 13.0 12.0 20.0 20.0 21.0 17.0 23.0 20.0 23.0 29.0 28.0 17.0 19.0 14.0 22.0 32.0 25.0 22.0 23.0 30.0 21.0 17.0 26.0 16.0 27.0 43.0 25.0 30.0 28.0 25.0 42.0 28.0 23.0 23.0 33.0 19.0 28.0 31.0 21.0 25.0 23.0 32.0 36.0 21.0 28.0 17.0 39.0 32.0 27.0 22.0 39.0 34.0 30.0 49.0 18.0 14.0 14.0 22.0 50.0 24.0 29.0 28.0 22.0 37.0 33.0 35.0 28.0 27.0 25.0 20.0 36.0 23.0 28.0 28.0 27.0 19.0 27.0 22.0 33.0 21.0 42.0 15.0 19.0 25.0 11.0 20.0 23.0 22.0 34.0 16.0 28.0 38.0 47.0 25.0 29.0 33.0 23.0 19.0 35.0 34.0 38.0 35.0 38.0 18.0 14.0 32.0 22.0 30.0 23.0 35.0 21.0 22.0 33.0 27.0 17.0 26.0 20.0 25.0 22.0 38.0 19.0 27.0 31.0 29.0 15.0 31.0 26.0 25.0 38.0 22.0 21.0 27.0 25.0 38.0 35.0 34.0 24.0 29.0 35.0 27.0 21.0 31.0 21.0 30.0 26.0 21.0 21.0 29.0 35.0 27.0 22.0 19.0 22.0 37.0 30.0 22.0 41.0 27.0 23.0 27.0 19.0 37.0 28.0 36.0 37.0 35.0 35.0 29.0 33.0 39.0 31.0 28.0 33.0 32.0 27.0 16.0 28.0 24.0 30.0 30.0 17.0 30.0 20.0 27.0 26.0 30.0 27.0 31.0 19.0 21.0 19.0 30.0 18.0 20.0 19.0 25.0 47.0 28.0 32.0 32.0 21.0 37.0 17.0 26.0 26.0 23.0 32.0 23.0 14.0 22.0 24.0 28.0 21.0 28.0 19.0 25.0 29.0 12.0 28.0 31.0 32.0 25.0 18.0 39.0 25.0 15.0 27.0 23.0 37.0 28.0 23.0 22.0 41.0 23.0 25.0 25.0 25.0 30.0 20.0 17.0 25.0 29.0 19.0 18.0 19.0 25.0 20.0 32.0 31.0 30.0 20.0 22.0 40.0 27.0 20.0 23.0 28.0 22.0 25.0 28.0 13.0 26.0 17.0 18.0 22.0 21.0 27.0 23.0 31.0 20.0 21.0 21.0 33.0 39.0 37.0 35.0 22.0 13.0 32.0 20.0 20.0 37.0 19.0 27.0 22.0 11.0 17.0 14.0 37.0 20.0 25.0 28.0 27.0 20.0 50.0 29.0 23.0 34.0 34.0 23.0 19.0 29.0 26.0 24.0 25.0 32.0 26.0 17.0 32.0 22.0 39.0 62.0 33.0 35.0 24.0 26.0 33.0 38.0 25.0 17.0 22.0 29.0 30.0 29.0 35.0 44.0 26.0 41.0
In [9]:
# The page name contains data in this format:

# SPECIFIC NAME _ LANGUAGE.wikipedia.org _ ACCESS TYPE _ ACCESS ORIGIN
In [10]:
import re
# lang_list.extend([string for string in val if re.search(pattern, string)])
def get_language_list(values):
    ans = []
    pattern = r'_(\w{2,3})\.wikipedia\.org'
    for val in values:
        match = re.search(pattern, val)
        if match:
            language_code = match.group(1)
            ans.append(language_code)  # Output: zh
        else:
            ans.append("NA")
    return ans
In [11]:
df['language_code'] = get_language_list(df['Page'])
In [12]:
df['Page'] = df['language_code']
In [13]:
df.rename({'Page':'Language'},axis=1,inplace=True)
In [14]:
df.drop('language_code',axis=1,inplace=True)
In [15]:
Exo_lang = df['Language']
In [16]:
df = df.loc[:,'2015-07-01':'2016-12-31']

Data Processing¶

In [17]:
(df.tail(20))
Out[17]:
2015-07-01 2015-07-02 2015-07-03 2015-07-04 2015-07-05 2015-07-06 2015-07-07 2015-07-08 2015-07-09 2015-07-10 2015-07-11 2015-07-12 2015-07-13 2015-07-14 2015-07-15 2015-07-16 2015-07-17 2015-07-18 2015-07-19 2015-07-20 2015-07-21 2015-07-22 2015-07-23 2015-07-24 2015-07-25 2015-07-26 2015-07-27 2015-07-28 2015-07-29 2015-07-30 2015-07-31 2015-08-01 2015-08-02 2015-08-03 2015-08-04 2015-08-05 2015-08-06 2015-08-07 2015-08-08 2015-08-09 2015-08-10 2015-08-11 2015-08-12 2015-08-13 2015-08-14 2015-08-15 2015-08-16 2015-08-17 2015-08-18 2015-08-19 2015-08-20 2015-08-21 2015-08-22 2015-08-23 2015-08-24 2015-08-25 2015-08-26 2015-08-27 2015-08-28 2015-08-29 2015-08-30 2015-08-31 2015-09-01 2015-09-02 2015-09-03 2015-09-04 2015-09-05 2015-09-06 2015-09-07 2015-09-08 2015-09-09 2015-09-10 2015-09-11 2015-09-12 2015-09-13 2015-09-14 2015-09-15 2015-09-16 2015-09-17 2015-09-18 2015-09-19 2015-09-20 2015-09-21 2015-09-22 2015-09-23 2015-09-24 2015-09-25 2015-09-26 2015-09-27 2015-09-28 2015-09-29 2015-09-30 2015-10-01 2015-10-02 2015-10-03 2015-10-04 2015-10-05 2015-10-06 2015-10-07 2015-10-08 2015-10-09 2015-10-10 2015-10-11 2015-10-12 2015-10-13 2015-10-14 2015-10-15 2015-10-16 2015-10-17 2015-10-18 2015-10-19 2015-10-20 2015-10-21 2015-10-22 2015-10-23 2015-10-24 2015-10-25 2015-10-26 2015-10-27 2015-10-28 2015-10-29 2015-10-30 2015-10-31 2015-11-01 2015-11-02 2015-11-03 2015-11-04 2015-11-05 2015-11-06 2015-11-07 2015-11-08 2015-11-09 2015-11-10 2015-11-11 2015-11-12 2015-11-13 2015-11-14 2015-11-15 2015-11-16 2015-11-17 2015-11-18 2015-11-19 2015-11-20 2015-11-21 2015-11-22 2015-11-23 2015-11-24 2015-11-25 2015-11-26 2015-11-27 2015-11-28 2015-11-29 2015-11-30 2015-12-01 2015-12-02 2015-12-03 2015-12-04 2015-12-05 2015-12-06 2015-12-07 2015-12-08 2015-12-09 2015-12-10 2015-12-11 2015-12-12 2015-12-13 2015-12-14 2015-12-15 2015-12-16 2015-12-17 2015-12-18 2015-12-19 2015-12-20 2015-12-21 2015-12-22 2015-12-23 2015-12-24 2015-12-25 2015-12-26 2015-12-27 2015-12-28 2015-12-29 2015-12-30 2015-12-31 2016-01-01 2016-01-02 2016-01-03 2016-01-04 2016-01-05 2016-01-06 2016-01-07 2016-01-08 2016-01-09 2016-01-10 2016-01-11 2016-01-12 2016-01-13 2016-01-14 2016-01-15 2016-01-16 2016-01-17 2016-01-18 2016-01-19 2016-01-20 2016-01-21 2016-01-22 2016-01-23 2016-01-24 2016-01-25 2016-01-26 2016-01-27 2016-01-28 2016-01-29 2016-01-30 2016-01-31 2016-02-01 2016-02-02 2016-02-03 2016-02-04 2016-02-05 2016-02-06 2016-02-07 2016-02-08 2016-02-09 2016-02-10 2016-02-11 2016-02-12 2016-02-13 2016-02-14 2016-02-15 2016-02-16 2016-02-17 2016-02-18 2016-02-19 2016-02-20 2016-02-21 2016-02-22 2016-02-23 2016-02-24 2016-02-25 2016-02-26 2016-02-27 2016-02-28 2016-02-29 2016-03-01 2016-03-02 2016-03-03 2016-03-04 2016-03-05 2016-03-06 2016-03-07 2016-03-08 2016-03-09 2016-03-10 2016-03-11 2016-03-12 2016-03-13 2016-03-14 2016-03-15 2016-03-16 2016-03-17 2016-03-18 2016-03-19 2016-03-20 2016-03-21 2016-03-22 2016-03-23 2016-03-24 2016-03-25 2016-03-26 2016-03-27 2016-03-28 2016-03-29 2016-03-30 2016-03-31 2016-04-01 2016-04-02 2016-04-03 2016-04-04 2016-04-05 2016-04-06 2016-04-07 2016-04-08 2016-04-09 2016-04-10 2016-04-11 2016-04-12 2016-04-13 2016-04-14 2016-04-15 2016-04-16 2016-04-17 2016-04-18 2016-04-19 2016-04-20 2016-04-21 2016-04-22 2016-04-23 2016-04-24 2016-04-25 2016-04-26 2016-04-27 2016-04-28 2016-04-29 2016-04-30 2016-05-01 2016-05-02 2016-05-03 2016-05-04 2016-05-05 2016-05-06 2016-05-07 2016-05-08 2016-05-09 2016-05-10 2016-05-11 2016-05-12 2016-05-13 2016-05-14 2016-05-15 2016-05-16 2016-05-17 2016-05-18 2016-05-19 2016-05-20 2016-05-21 2016-05-22 2016-05-23 2016-05-24 2016-05-25 2016-05-26 2016-05-27 2016-05-28 2016-05-29 2016-05-30 2016-05-31 2016-06-01 2016-06-02 2016-06-03 2016-06-04 2016-06-05 2016-06-06 2016-06-07 2016-06-08 2016-06-09 2016-06-10 2016-06-11 2016-06-12 2016-06-13 2016-06-14 2016-06-15 2016-06-16 2016-06-17 2016-06-18 2016-06-19 2016-06-20 2016-06-21 2016-06-22 2016-06-23 2016-06-24 2016-06-25 2016-06-26 2016-06-27 2016-06-28 2016-06-29 2016-06-30 2016-07-01 2016-07-02 2016-07-03 2016-07-04 2016-07-05 2016-07-06 2016-07-07 2016-07-08 2016-07-09 2016-07-10 2016-07-11 2016-07-12 2016-07-13 2016-07-14 2016-07-15 2016-07-16 2016-07-17 2016-07-18 2016-07-19 2016-07-20 2016-07-21 2016-07-22 2016-07-23 2016-07-24 2016-07-25 2016-07-26 2016-07-27 2016-07-28 2016-07-29 2016-07-30 2016-07-31 2016-08-01 2016-08-02 2016-08-03 2016-08-04 2016-08-05 2016-08-06 2016-08-07 2016-08-08 2016-08-09 2016-08-10 2016-08-11 2016-08-12 2016-08-13 2016-08-14 2016-08-15 2016-08-16 2016-08-17 2016-08-18 2016-08-19 2016-08-20 2016-08-21 2016-08-22 2016-08-23 2016-08-24 2016-08-25 2016-08-26 2016-08-27 2016-08-28 2016-08-29 2016-08-30 2016-08-31 2016-09-01 2016-09-02 2016-09-03 2016-09-04 2016-09-05 2016-09-06 2016-09-07 2016-09-08 2016-09-09 2016-09-10 2016-09-11 2016-09-12 2016-09-13 2016-09-14 2016-09-15 2016-09-16 2016-09-17 2016-09-18 2016-09-19 2016-09-20 2016-09-21 2016-09-22 2016-09-23 2016-09-24 2016-09-25 2016-09-26 2016-09-27 2016-09-28 2016-09-29 2016-09-30 2016-10-01 2016-10-02 2016-10-03 2016-10-04 2016-10-05 2016-10-06 2016-10-07 2016-10-08 2016-10-09 2016-10-10 2016-10-11 2016-10-12 2016-10-13 2016-10-14 2016-10-15 2016-10-16 2016-10-17 2016-10-18 2016-10-19 2016-10-20 2016-10-21 2016-10-22 2016-10-23 2016-10-24 2016-10-25 2016-10-26 2016-10-27 2016-10-28 2016-10-29 2016-10-30 2016-10-31 2016-11-01 2016-11-02 2016-11-03 2016-11-04 2016-11-05 2016-11-06 2016-11-07 2016-11-08 2016-11-09 2016-11-10 2016-11-11 2016-11-12 2016-11-13 2016-11-14 2016-11-15 2016-11-16 2016-11-17 2016-11-18 2016-11-19 2016-11-20 2016-11-21 2016-11-22 2016-11-23 2016-11-24 2016-11-25 2016-11-26 2016-11-27 2016-11-28 2016-11-29 2016-11-30 2016-12-01 2016-12-02 2016-12-03 2016-12-04 2016-12-05 2016-12-06 2016-12-07 2016-12-08 2016-12-09 2016-12-10 2016-12-11 2016-12-12 2016-12-13 2016-12-14 2016-12-15 2016-12-16 2016-12-17 2016-12-18 2016-12-19 2016-12-20 2016-12-21 2016-12-22 2016-12-23 2016-12-24 2016-12-25 2016-12-26 2016-12-27 2016-12-28 2016-12-29 2016-12-30 2016-12-31
145043 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 110.0 6.0 35.0 4.0 6.0 8.0 20.0 4.0 3.0 2.0 29.0 18.0 5.0 12.0 5.0 6.0 2.0 3.0 2.0 3.0 5.0 6.0 3.0 9.0 2.0 3.0 9.0 13.0 8.0 38.0 126.0 17.0 10.0 11.0 17.0 1.0 63.0 37.0 5.0 11.0 9.0 12.0 3.0 9.0 26.0 11.0 9.0 9.0 16.0 7.0 7.0 31.0 4.0 9.0 5.0 8.0 22.0 13.0 11.0 24.0 6.0 4.0 10.0 1.0 62.0 16.0 12.0 10.0 13.0 21.0 9.0 10.0 10.0 4.0 1.0 1.0 5.0 18.0 3.0 3.0 5.0 6.0 3.0 29.0 6.0 13.0 7.0 9.0 21.0 10.0 7.0 11.0 7.0 6.0 4.0 7.0 3.0 4.0 4.0 2.0 4.0 5.0 2.0 2.0
145044 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 6.0 8.0 15.0 12.0 2.0 96.0 14.0 3.0 3.0 2.0 2.0 3.0 4.0 2.0 1.0 0.0 2.0 2.0 0.0 38.0 1.0 3.0 3.0 0.0 0.0 0.0 21.0 3.0 0.0 21.0 25.0 1.0 1.0 6.0 2.0 2.0 10.0 2.0 2.0 13.0 3.0 14.0 2.0 0.0 0.0 3.0 15.0 3.0 3.0 1.0 40.0 23.0 19.0 201.0 12.0 20.0 1.0 27.0 1.0 3.0 11.0 17.0 3.0 11.0 69.0 18.0 12.0 1.0 16.0 1.0 4.0 171.0 64.0 33.0 13.0 13.0 47.0 13.0 14.0 17.0 19.0 115.0 11.0 164.0 4.0 14.0 2.0 7.0 8.0 20.0 27.0 11.0 7.0 17.0 13.0 40.0
145045 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 11.0 44.0 29.0 1.0 3.0 3.0 0.0 1.0 0.0 1.0 2.0 1.0 1.0 2.0 0.0 0.0 2.0 2.0 0.0 0.0 0.0 0.0 3.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0 2.0 0.0 5.0 5.0 0.0 0.0 3.0 1.0 1.0 5.0 1.0 0.0 2.0 1.0 2.0 1.0 6.0 0.0 2.0 2.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 3.0 0.0 1.0 2.0 4.0 1.0 0.0 2.0 0.0 1.0 1.0 1.0 1.0 1.0 3.0 1.0 1.0 0.0 1.0 0.0 3.0 3.0 1.0 1.0 1.0 2.0 3.0 2.0 1.0 2.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0
145046 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 3.0 293.0 128.0 68.0 81.0 112.0 173.0 342.0 233.0 213.0 187.0 243.0 181.0 205.0 202.0 81.0 34.0 22.0 26.0 72.0 35.0 14.0 15.0 9.0 43.0 32.0 24.0 13.0 11.0 19.0 16.0 9.0 7.0 30.0 9.0 14.0 40.0 16.0 14.0 16.0 8.0 5.0 14.0 9.0 8.0 7.0 4.0 5.0 3.0 7.0 6.0 4.0 9.0 13.0 35.0 16.0 7.0 10.0 13.0 10.0 10.0 11.0 10.0 6.0 3.0 6.0 9.0 8.0 3.0 6.0 8.0 4.0 4.0 5.0 3.0 6.0 9.0 8.0 8.0 15.0 11.0 10.0 9.0 6.0 4.0 4.0 6.0 5.0 5.0 13.0 7.0 11.0 7.0
145047 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 22.0 0.0 9.0 2.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 1.0 3.0 0.0 6.0 0.0 1.0 1.0 0.0 0.0 2.0 2.0 0.0 2.0 2.0 2.0 0.0 1.0 1.0 1.0 1.0 0.0 0.0 3.0 0.0 1.0 2.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 3.0 1.0 2.0 1.0 1.0 2.0 0.0 0.0 1.0 3.0 1.0 2.0 2.0 5.0 64.0 4.0 26.0 0.0 1.0 0.0 3.0 1.0 1.0 48.0 1.0 4.0 5.0 3.0 10.0 1.0 6.0 22.0 34.0 1.0 3.0 29.0
145048 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 14.0 5.0 17.0 12.0 1.0 10.0 9.0 6.0 3.0 28.0 39.0 24.0 7.0 14.0 10.0 4.0 2.0 2.0 3.0 9.0 4.0 0.0 3.0 5.0 22.0 6.0 7.0 4.0 4.0 2.0 2.0 5.0 5.0 10.0 4.0 6.0 26.0 4.0 1.0 0.0 4.0 3.0 6.0 0.0 2.0 3.0 1.0 4.0 17.0 26.0 13.0 1.0 1.0 2.0 0.0 2.0 13.0 4.0 10.0 16.0 9.0 2.0 3.0 1.0 5.0 3.0 4.0 5.0 3.0 1.0 0.0 5.0 26.0 25.0 7.0 5.0 8.0 25.0 2.0 8.0 3.0 1.0
145049 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 19.0 1.0 1.0 0.0 0.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 162.0 16.0 0.0 NaN NaN 13.0 0.0 NaN 24.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 NaN NaN 76.0 42.0 42.0 23.0 10.0 1.0 3.0 2.0 16.0 23.0 5.0 17.0 1.0 6.0 31.0 10.0 8.0 54.0 4.0 8.0 15.0 5.0 6.0 35.0 10.0 3.0 4.0 1.0 31.0 27.0 9.0 135.0
145050 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 5.0 1.0 8.0 2.0 4.0 1.0 1.0 0.0 7.0 5.0 4.0 3.0 28.0 2.0 2.0 0.0 0.0 1.0 0.0 2.0 1.0 0.0 0.0 16.0 0.0 2.0 8.0 0.0 0.0 0.0 2.0 1.0 1.0 0.0 0.0 4.0 3.0 4.0 2.0 7.0 3.0 1.0 1.0 2.0 1.0 1.0 1.0 1.0 11.0 6.0 0.0 1.0 2.0 0.0 3.0 1.0 0.0 1.0 0.0 9.0 2.0 3.0 1.0 4.0 1.0 2.0 7.0 2.0 3.0 2.0 18.0 40.0 1.0 42.0
145051 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 NaN NaN NaN NaN NaN 36.0 3.0 1.0 1.0 9.0 2.0 4.0 19.0 3.0 42.0 6.0 9.0 14.0 1.0 1.0 4.0 11.0 4.0 2.0 2.0 4.0 33.0 49.0 18.0 68.0 88.0 7.0 8.0 17.0 157.0 169.0 191.0 45.0 2.0 9.0 75.0 51.0 73.0 54.0 83.0 20.0 3.0 7.0 34.0 22.0 74.0 222.0 2.0 16.0 21.0 7.0 34.0 37.0 42.0
145052 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 28.0 13.0 15.0 0.0 7.0 13.0 10.0 367.0 14.0 21.0 14.0 9.0 7.0 8.0 7.0 11.0 37.0 11.0 3.0 5.0 6.0 13.0 9.0 7.0 8.0 8.0 17.0 35.0 4.0 4.0 3.0 5.0 3.0 7.0 4.0 2.0 5.0 3.0 11.0 10.0 14.0 23.0 10.0 12.0 9.0 9.0 5.0 83.0 44.0 36.0 9.0 4.0 17.0 6.0 11.0 5.0
145053 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 14.0 9.0 7.0 2.0 2.0 5.0 5.0 3.0 36.0 72.0 6.0 5.0 8.0 20.0 1.0 4.0 86.0 9.0 2.0 3.0 8.0 27.0 3.0 1.0 1.0 2.0 3.0 4.0 1.0 0.0 3.0 6.0 0.0 1.0 3.0 26.0 5.0 57.0 7.0 2.0 2.0 6.0 38.0 18.0 13.0 7.0 6.0 3.0 3.0 8.0 21.0 14.0 24.0 37.0
145054 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 26.0 9.0 14.0 46.0 3.0 20.0 21.0 6.0 6.0 7.0 11.0 19.0 15.0 22.0 14.0 7.0 8.0 14.0 8.0 33.0 10.0 11.0 8.0 10.0 11.0 8.0 9.0 9.0 19.0 17.0 7.0 13.0 12.0 31.0 11.0
145055 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 50.0 61.0 1.0 1.0 2.0 4.0 3.0 4.0 2.0 4.0 2.0 9.0 0.0 2.0 0.0 1.0 2.0 1.0 1.0 3.0 4.0 2.0 4.0 4.0 3.0
145056 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 11.0 166.0 3.0 107.0 43.0 32.0 56.0 138.0 0.0 0.0 0.0 16.0 0.0 3.0 21.0 NaN NaN NaN NaN NaN NaN NaN NaN 51.0
145057 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 21.0 NaN NaN NaN NaN 0.0 0.0 NaN NaN NaN NaN NaN NaN NaN NaN
145058 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 13.0 12.0 13.0 3.0 5.0 10.0
145059 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
145060 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
145061 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
145062 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
In [18]:
plt.title('Plot of Series Before Imputation')
df.iloc[4].plot(label='before impute')
plt.legend()
plt.show()
In [19]:
np.all(df.loc[145062].isna())
Out[19]:
True

Approach

  1. Check Whether all Values are NAN.

  2. If all values are NAN the Flag those row as 'Y' else 'N'

In [20]:
def flag_all_nan_rows(df):
    ans = []
    for i in range(df.shape[0]):
        if(np.all(df.loc[i].isna())==True):
            ans.append('Y')
        else:
            ans.append('N')
    return ans
df['Nan Flag'] = flag_all_nan_rows(df)

Filtering all rows which is not having NAN Values.¶

In [21]:
df['Language'] = Exo_lang
In [22]:
df = df[df['Nan Flag']=='N'].reset_index()
In [23]:
exolang = df['Language']
In [24]:
df.drop(['Language','Nan Flag','index'],axis=1,inplace=True)

New Shape of Data¶

In [25]:
df.shape
Out[25]:
(144411, 550)

Approach

Filling all row NAN values with the median values because each row is independent of each other

In [26]:
def fill_na_imputation(df):
    for i in range(df.shape[0]):
        df.loc[i].fillna(df.loc[i].median(),inplace=True)
    return df
In [27]:
df = fill_na_imputation(df)

NAN Values are fixed now¶

In [28]:
df.isna().sum()
Out[28]:
2015-07-01    0
2015-07-02    0
2015-07-03    0
2015-07-04    0
2015-07-05    0
2015-07-06    0
2015-07-07    0
2015-07-08    0
2015-07-09    0
2015-07-10    0
2015-07-11    0
2015-07-12    0
2015-07-13    0
2015-07-14    0
2015-07-15    0
2015-07-16    0
2015-07-17    0
2015-07-18    0
2015-07-19    0
2015-07-20    0
2015-07-21    0
2015-07-22    0
2015-07-23    0
2015-07-24    0
2015-07-25    0
2015-07-26    0
2015-07-27    0
2015-07-28    0
2015-07-29    0
2015-07-30    0
2015-07-31    0
2015-08-01    0
2015-08-02    0
2015-08-03    0
2015-08-04    0
2015-08-05    0
2015-08-06    0
2015-08-07    0
2015-08-08    0
2015-08-09    0
2015-08-10    0
2015-08-11    0
2015-08-12    0
2015-08-13    0
2015-08-14    0
2015-08-15    0
2015-08-16    0
2015-08-17    0
2015-08-18    0
2015-08-19    0
2015-08-20    0
2015-08-21    0
2015-08-22    0
2015-08-23    0
2015-08-24    0
2015-08-25    0
2015-08-26    0
2015-08-27    0
2015-08-28    0
2015-08-29    0
2015-08-30    0
2015-08-31    0
2015-09-01    0
2015-09-02    0
2015-09-03    0
2015-09-04    0
2015-09-05    0
2015-09-06    0
2015-09-07    0
2015-09-08    0
2015-09-09    0
2015-09-10    0
2015-09-11    0
2015-09-12    0
2015-09-13    0
2015-09-14    0
2015-09-15    0
2015-09-16    0
2015-09-17    0
2015-09-18    0
2015-09-19    0
2015-09-20    0
2015-09-21    0
2015-09-22    0
2015-09-23    0
2015-09-24    0
2015-09-25    0
2015-09-26    0
2015-09-27    0
2015-09-28    0
2015-09-29    0
2015-09-30    0
2015-10-01    0
2015-10-02    0
2015-10-03    0
2015-10-04    0
2015-10-05    0
2015-10-06    0
2015-10-07    0
2015-10-08    0
2015-10-09    0
2015-10-10    0
2015-10-11    0
2015-10-12    0
2015-10-13    0
2015-10-14    0
2015-10-15    0
2015-10-16    0
2015-10-17    0
2015-10-18    0
2015-10-19    0
2015-10-20    0
2015-10-21    0
2015-10-22    0
2015-10-23    0
2015-10-24    0
2015-10-25    0
2015-10-26    0
2015-10-27    0
2015-10-28    0
2015-10-29    0
2015-10-30    0
2015-10-31    0
2015-11-01    0
2015-11-02    0
2015-11-03    0
2015-11-04    0
2015-11-05    0
2015-11-06    0
2015-11-07    0
2015-11-08    0
2015-11-09    0
2015-11-10    0
2015-11-11    0
2015-11-12    0
2015-11-13    0
2015-11-14    0
2015-11-15    0
2015-11-16    0
2015-11-17    0
2015-11-18    0
2015-11-19    0
2015-11-20    0
2015-11-21    0
2015-11-22    0
2015-11-23    0
2015-11-24    0
2015-11-25    0
2015-11-26    0
2015-11-27    0
2015-11-28    0
2015-11-29    0
2015-11-30    0
2015-12-01    0
2015-12-02    0
2015-12-03    0
2015-12-04    0
2015-12-05    0
2015-12-06    0
2015-12-07    0
2015-12-08    0
2015-12-09    0
2015-12-10    0
2015-12-11    0
2015-12-12    0
2015-12-13    0
2015-12-14    0
2015-12-15    0
2015-12-16    0
2015-12-17    0
2015-12-18    0
2015-12-19    0
2015-12-20    0
2015-12-21    0
2015-12-22    0
2015-12-23    0
2015-12-24    0
2015-12-25    0
2015-12-26    0
2015-12-27    0
2015-12-28    0
2015-12-29    0
2015-12-30    0
2015-12-31    0
2016-01-01    0
2016-01-02    0
2016-01-03    0
2016-01-04    0
2016-01-05    0
2016-01-06    0
2016-01-07    0
2016-01-08    0
2016-01-09    0
2016-01-10    0
2016-01-11    0
2016-01-12    0
2016-01-13    0
2016-01-14    0
2016-01-15    0
2016-01-16    0
2016-01-17    0
2016-01-18    0
2016-01-19    0
2016-01-20    0
2016-01-21    0
2016-01-22    0
2016-01-23    0
2016-01-24    0
2016-01-25    0
2016-01-26    0
2016-01-27    0
2016-01-28    0
2016-01-29    0
2016-01-30    0
2016-01-31    0
2016-02-01    0
2016-02-02    0
2016-02-03    0
2016-02-04    0
2016-02-05    0
2016-02-06    0
2016-02-07    0
2016-02-08    0
2016-02-09    0
2016-02-10    0
2016-02-11    0
2016-02-12    0
2016-02-13    0
2016-02-14    0
2016-02-15    0
2016-02-16    0
2016-02-17    0
2016-02-18    0
2016-02-19    0
2016-02-20    0
2016-02-21    0
2016-02-22    0
2016-02-23    0
2016-02-24    0
2016-02-25    0
2016-02-26    0
2016-02-27    0
2016-02-28    0
2016-02-29    0
2016-03-01    0
2016-03-02    0
2016-03-03    0
2016-03-04    0
2016-03-05    0
2016-03-06    0
2016-03-07    0
2016-03-08    0
2016-03-09    0
2016-03-10    0
2016-03-11    0
2016-03-12    0
2016-03-13    0
2016-03-14    0
2016-03-15    0
2016-03-16    0
2016-03-17    0
2016-03-18    0
2016-03-19    0
2016-03-20    0
2016-03-21    0
2016-03-22    0
2016-03-23    0
2016-03-24    0
2016-03-25    0
2016-03-26    0
2016-03-27    0
2016-03-28    0
2016-03-29    0
2016-03-30    0
2016-03-31    0
2016-04-01    0
2016-04-02    0
2016-04-03    0
2016-04-04    0
2016-04-05    0
2016-04-06    0
2016-04-07    0
2016-04-08    0
2016-04-09    0
2016-04-10    0
2016-04-11    0
2016-04-12    0
2016-04-13    0
2016-04-14    0
2016-04-15    0
2016-04-16    0
2016-04-17    0
2016-04-18    0
2016-04-19    0
2016-04-20    0
2016-04-21    0
2016-04-22    0
2016-04-23    0
2016-04-24    0
2016-04-25    0
2016-04-26    0
2016-04-27    0
2016-04-28    0
2016-04-29    0
2016-04-30    0
2016-05-01    0
2016-05-02    0
2016-05-03    0
2016-05-04    0
2016-05-05    0
2016-05-06    0
2016-05-07    0
2016-05-08    0
2016-05-09    0
2016-05-10    0
2016-05-11    0
2016-05-12    0
2016-05-13    0
2016-05-14    0
2016-05-15    0
2016-05-16    0
2016-05-17    0
2016-05-18    0
2016-05-19    0
2016-05-20    0
2016-05-21    0
2016-05-22    0
2016-05-23    0
2016-05-24    0
2016-05-25    0
2016-05-26    0
2016-05-27    0
2016-05-28    0
2016-05-29    0
2016-05-30    0
2016-05-31    0
2016-06-01    0
2016-06-02    0
2016-06-03    0
2016-06-04    0
2016-06-05    0
2016-06-06    0
2016-06-07    0
2016-06-08    0
2016-06-09    0
2016-06-10    0
2016-06-11    0
2016-06-12    0
2016-06-13    0
2016-06-14    0
2016-06-15    0
2016-06-16    0
2016-06-17    0
2016-06-18    0
2016-06-19    0
2016-06-20    0
2016-06-21    0
2016-06-22    0
2016-06-23    0
2016-06-24    0
2016-06-25    0
2016-06-26    0
2016-06-27    0
2016-06-28    0
2016-06-29    0
2016-06-30    0
2016-07-01    0
2016-07-02    0
2016-07-03    0
2016-07-04    0
2016-07-05    0
2016-07-06    0
2016-07-07    0
2016-07-08    0
2016-07-09    0
2016-07-10    0
2016-07-11    0
2016-07-12    0
2016-07-13    0
2016-07-14    0
2016-07-15    0
2016-07-16    0
2016-07-17    0
2016-07-18    0
2016-07-19    0
2016-07-20    0
2016-07-21    0
2016-07-22    0
2016-07-23    0
2016-07-24    0
2016-07-25    0
2016-07-26    0
2016-07-27    0
2016-07-28    0
2016-07-29    0
2016-07-30    0
2016-07-31    0
2016-08-01    0
2016-08-02    0
2016-08-03    0
2016-08-04    0
2016-08-05    0
2016-08-06    0
2016-08-07    0
2016-08-08    0
2016-08-09    0
2016-08-10    0
2016-08-11    0
2016-08-12    0
2016-08-13    0
2016-08-14    0
2016-08-15    0
2016-08-16    0
2016-08-17    0
2016-08-18    0
2016-08-19    0
2016-08-20    0
2016-08-21    0
2016-08-22    0
2016-08-23    0
2016-08-24    0
2016-08-25    0
2016-08-26    0
2016-08-27    0
2016-08-28    0
2016-08-29    0
2016-08-30    0
2016-08-31    0
2016-09-01    0
2016-09-02    0
2016-09-03    0
2016-09-04    0
2016-09-05    0
2016-09-06    0
2016-09-07    0
2016-09-08    0
2016-09-09    0
2016-09-10    0
2016-09-11    0
2016-09-12    0
2016-09-13    0
2016-09-14    0
2016-09-15    0
2016-09-16    0
2016-09-17    0
2016-09-18    0
2016-09-19    0
2016-09-20    0
2016-09-21    0
2016-09-22    0
2016-09-23    0
2016-09-24    0
2016-09-25    0
2016-09-26    0
2016-09-27    0
2016-09-28    0
2016-09-29    0
2016-09-30    0
2016-10-01    0
2016-10-02    0
2016-10-03    0
2016-10-04    0
2016-10-05    0
2016-10-06    0
2016-10-07    0
2016-10-08    0
2016-10-09    0
2016-10-10    0
2016-10-11    0
2016-10-12    0
2016-10-13    0
2016-10-14    0
2016-10-15    0
2016-10-16    0
2016-10-17    0
2016-10-18    0
2016-10-19    0
2016-10-20    0
2016-10-21    0
2016-10-22    0
2016-10-23    0
2016-10-24    0
2016-10-25    0
2016-10-26    0
2016-10-27    0
2016-10-28    0
2016-10-29    0
2016-10-30    0
2016-10-31    0
2016-11-01    0
2016-11-02    0
2016-11-03    0
2016-11-04    0
2016-11-05    0
2016-11-06    0
2016-11-07    0
2016-11-08    0
2016-11-09    0
2016-11-10    0
2016-11-11    0
2016-11-12    0
2016-11-13    0
2016-11-14    0
2016-11-15    0
2016-11-16    0
2016-11-17    0
2016-11-18    0
2016-11-19    0
2016-11-20    0
2016-11-21    0
2016-11-22    0
2016-11-23    0
2016-11-24    0
2016-11-25    0
2016-11-26    0
2016-11-27    0
2016-11-28    0
2016-11-29    0
2016-11-30    0
2016-12-01    0
2016-12-02    0
2016-12-03    0
2016-12-04    0
2016-12-05    0
2016-12-06    0
2016-12-07    0
2016-12-08    0
2016-12-09    0
2016-12-10    0
2016-12-11    0
2016-12-12    0
2016-12-13    0
2016-12-14    0
2016-12-15    0
2016-12-16    0
2016-12-17    0
2016-12-18    0
2016-12-19    0
2016-12-20    0
2016-12-21    0
2016-12-22    0
2016-12-23    0
2016-12-24    0
2016-12-25    0
2016-12-26    0
2016-12-27    0
2016-12-28    0
2016-12-29    0
2016-12-30    0
2016-12-31    0
dtype: int64

Data Frame after imputation¶

In [29]:
plt.title('Plot of Series after Imputation')
df.iloc[4].plot(label= 'after impute')
plt.legend()
plt.show()
In [30]:
set(exolang)
Out[30]:
{'NA', '_de', 'de', 'en', 'es', 'fr', 'ja', 'ru', 'zh'}

EDA On the basis of Trend of language¶

In [31]:
df_language = pd.DataFrame(exolang.value_counts().reset_index())
In [32]:
df_language
Out[32]:
index Language
0 en 24010
1 ja 20340
2 de 18437
3 fr 17761
4 NA 17728
5 zh 17103
6 ru 14990
7 es 14041
8 _de 1

Full form of all language code¶

_de: German (This is typically used as a locale specifier, e.g., for formatting purposes.)

de: German

en: English

es: Spanish

fr: French

ja: Japanese

ru: Russian

zh: Chinese

In [33]:
import matplotlib.pyplot as plt
import seaborn as sns

# Your dataframe
# df_language = ...
plt.figure(figsize=(12,6))
plt.grid()
plt.title('Language Distribution Plot')

# Create the bar plot
ax = sns.barplot(x=df_language['index'], y=df_language['Language'])

# Annotate each bar with its value
for p in ax.patches:
    ax.annotate(f"{p.get_height():.0f}", 
                (p.get_x() + p.get_width() / 2., p.get_height()), 
                ha='center', 
                va='center', 
                xytext=(0, 10), 
                textcoords='offset points')

plt.xlabel('Language')
plt.ylabel('Total')
plt.show()

Observation¶

  1. Pages with english is more as compare to other.
  2. Pages with Spanish is less.
In [34]:
df['language'] = exolang

Converting data to its General Form¶

In [35]:
df.head()
Out[35]:
2015-07-01 2015-07-02 2015-07-03 2015-07-04 2015-07-05 2015-07-06 2015-07-07 2015-07-08 2015-07-09 2015-07-10 2015-07-11 2015-07-12 2015-07-13 2015-07-14 2015-07-15 2015-07-16 2015-07-17 2015-07-18 2015-07-19 2015-07-20 2015-07-21 2015-07-22 2015-07-23 2015-07-24 2015-07-25 2015-07-26 2015-07-27 2015-07-28 2015-07-29 2015-07-30 2015-07-31 2015-08-01 2015-08-02 2015-08-03 2015-08-04 2015-08-05 2015-08-06 2015-08-07 2015-08-08 2015-08-09 2015-08-10 2015-08-11 2015-08-12 2015-08-13 2015-08-14 2015-08-15 2015-08-16 2015-08-17 2015-08-18 2015-08-19 2015-08-20 2015-08-21 2015-08-22 2015-08-23 2015-08-24 2015-08-25 2015-08-26 2015-08-27 2015-08-28 2015-08-29 2015-08-30 2015-08-31 2015-09-01 2015-09-02 2015-09-03 2015-09-04 2015-09-05 2015-09-06 2015-09-07 2015-09-08 2015-09-09 2015-09-10 2015-09-11 2015-09-12 2015-09-13 2015-09-14 2015-09-15 2015-09-16 2015-09-17 2015-09-18 2015-09-19 2015-09-20 2015-09-21 2015-09-22 2015-09-23 2015-09-24 2015-09-25 2015-09-26 2015-09-27 2015-09-28 2015-09-29 2015-09-30 2015-10-01 2015-10-02 2015-10-03 2015-10-04 2015-10-05 2015-10-06 2015-10-07 2015-10-08 2015-10-09 2015-10-10 2015-10-11 2015-10-12 2015-10-13 2015-10-14 2015-10-15 2015-10-16 2015-10-17 2015-10-18 2015-10-19 2015-10-20 2015-10-21 2015-10-22 2015-10-23 2015-10-24 2015-10-25 2015-10-26 2015-10-27 2015-10-28 2015-10-29 2015-10-30 2015-10-31 2015-11-01 2015-11-02 2015-11-03 2015-11-04 2015-11-05 2015-11-06 2015-11-07 2015-11-08 2015-11-09 2015-11-10 2015-11-11 2015-11-12 2015-11-13 2015-11-14 2015-11-15 2015-11-16 2015-11-17 2015-11-18 2015-11-19 2015-11-20 2015-11-21 2015-11-22 2015-11-23 2015-11-24 2015-11-25 2015-11-26 2015-11-27 2015-11-28 2015-11-29 2015-11-30 2015-12-01 2015-12-02 2015-12-03 2015-12-04 2015-12-05 2015-12-06 2015-12-07 2015-12-08 2015-12-09 2015-12-10 2015-12-11 2015-12-12 2015-12-13 2015-12-14 2015-12-15 2015-12-16 2015-12-17 2015-12-18 2015-12-19 2015-12-20 2015-12-21 2015-12-22 2015-12-23 2015-12-24 2015-12-25 2015-12-26 2015-12-27 2015-12-28 2015-12-29 2015-12-30 2015-12-31 2016-01-01 2016-01-02 2016-01-03 2016-01-04 2016-01-05 2016-01-06 2016-01-07 2016-01-08 2016-01-09 2016-01-10 2016-01-11 2016-01-12 2016-01-13 2016-01-14 2016-01-15 2016-01-16 2016-01-17 2016-01-18 2016-01-19 2016-01-20 2016-01-21 2016-01-22 2016-01-23 2016-01-24 2016-01-25 2016-01-26 2016-01-27 2016-01-28 2016-01-29 2016-01-30 2016-01-31 2016-02-01 2016-02-02 2016-02-03 2016-02-04 2016-02-05 2016-02-06 2016-02-07 2016-02-08 2016-02-09 2016-02-10 2016-02-11 2016-02-12 2016-02-13 2016-02-14 2016-02-15 2016-02-16 2016-02-17 2016-02-18 2016-02-19 2016-02-20 2016-02-21 2016-02-22 2016-02-23 2016-02-24 2016-02-25 2016-02-26 2016-02-27 2016-02-28 2016-02-29 2016-03-01 2016-03-02 2016-03-03 2016-03-04 2016-03-05 2016-03-06 2016-03-07 2016-03-08 2016-03-09 2016-03-10 2016-03-11 2016-03-12 2016-03-13 2016-03-14 2016-03-15 2016-03-16 2016-03-17 2016-03-18 2016-03-19 2016-03-20 2016-03-21 2016-03-22 2016-03-23 2016-03-24 2016-03-25 2016-03-26 2016-03-27 2016-03-28 2016-03-29 2016-03-30 2016-03-31 2016-04-01 2016-04-02 2016-04-03 2016-04-04 2016-04-05 2016-04-06 2016-04-07 2016-04-08 2016-04-09 2016-04-10 2016-04-11 2016-04-12 2016-04-13 2016-04-14 2016-04-15 2016-04-16 2016-04-17 2016-04-18 2016-04-19 2016-04-20 2016-04-21 2016-04-22 2016-04-23 2016-04-24 2016-04-25 2016-04-26 2016-04-27 2016-04-28 2016-04-29 2016-04-30 2016-05-01 2016-05-02 2016-05-03 2016-05-04 2016-05-05 2016-05-06 2016-05-07 2016-05-08 2016-05-09 2016-05-10 2016-05-11 2016-05-12 2016-05-13 2016-05-14 2016-05-15 2016-05-16 2016-05-17 2016-05-18 2016-05-19 2016-05-20 2016-05-21 2016-05-22 2016-05-23 2016-05-24 2016-05-25 2016-05-26 2016-05-27 2016-05-28 2016-05-29 2016-05-30 2016-05-31 2016-06-01 2016-06-02 2016-06-03 2016-06-04 2016-06-05 2016-06-06 2016-06-07 2016-06-08 2016-06-09 2016-06-10 2016-06-11 2016-06-12 2016-06-13 2016-06-14 2016-06-15 2016-06-16 2016-06-17 2016-06-18 2016-06-19 2016-06-20 2016-06-21 2016-06-22 2016-06-23 2016-06-24 2016-06-25 2016-06-26 2016-06-27 2016-06-28 2016-06-29 2016-06-30 2016-07-01 2016-07-02 2016-07-03 2016-07-04 2016-07-05 2016-07-06 2016-07-07 2016-07-08 2016-07-09 2016-07-10 2016-07-11 2016-07-12 2016-07-13 2016-07-14 2016-07-15 2016-07-16 2016-07-17 2016-07-18 2016-07-19 2016-07-20 2016-07-21 2016-07-22 2016-07-23 2016-07-24 2016-07-25 2016-07-26 2016-07-27 2016-07-28 2016-07-29 2016-07-30 2016-07-31 2016-08-01 2016-08-02 2016-08-03 2016-08-04 2016-08-05 2016-08-06 2016-08-07 2016-08-08 2016-08-09 2016-08-10 2016-08-11 2016-08-12 2016-08-13 2016-08-14 2016-08-15 2016-08-16 2016-08-17 2016-08-18 2016-08-19 2016-08-20 2016-08-21 2016-08-22 2016-08-23 2016-08-24 2016-08-25 2016-08-26 2016-08-27 2016-08-28 2016-08-29 2016-08-30 2016-08-31 2016-09-01 2016-09-02 2016-09-03 2016-09-04 2016-09-05 2016-09-06 2016-09-07 2016-09-08 2016-09-09 2016-09-10 2016-09-11 2016-09-12 2016-09-13 2016-09-14 2016-09-15 2016-09-16 2016-09-17 2016-09-18 2016-09-19 2016-09-20 2016-09-21 2016-09-22 2016-09-23 2016-09-24 2016-09-25 2016-09-26 2016-09-27 2016-09-28 2016-09-29 2016-09-30 2016-10-01 2016-10-02 2016-10-03 2016-10-04 2016-10-05 2016-10-06 2016-10-07 2016-10-08 2016-10-09 2016-10-10 2016-10-11 2016-10-12 2016-10-13 2016-10-14 2016-10-15 2016-10-16 2016-10-17 2016-10-18 2016-10-19 2016-10-20 2016-10-21 2016-10-22 2016-10-23 2016-10-24 2016-10-25 2016-10-26 2016-10-27 2016-10-28 2016-10-29 2016-10-30 2016-10-31 2016-11-01 2016-11-02 2016-11-03 2016-11-04 2016-11-05 2016-11-06 2016-11-07 2016-11-08 2016-11-09 2016-11-10 2016-11-11 2016-11-12 2016-11-13 2016-11-14 2016-11-15 2016-11-16 2016-11-17 2016-11-18 2016-11-19 2016-11-20 2016-11-21 2016-11-22 2016-11-23 2016-11-24 2016-11-25 2016-11-26 2016-11-27 2016-11-28 2016-11-29 2016-11-30 2016-12-01 2016-12-02 2016-12-03 2016-12-04 2016-12-05 2016-12-06 2016-12-07 2016-12-08 2016-12-09 2016-12-10 2016-12-11 2016-12-12 2016-12-13 2016-12-14 2016-12-15 2016-12-16 2016-12-17 2016-12-18 2016-12-19 2016-12-20 2016-12-21 2016-12-22 2016-12-23 2016-12-24 2016-12-25 2016-12-26 2016-12-27 2016-12-28 2016-12-29 2016-12-30 2016-12-31 language
0 18.0 11.0 5.0 13.0 14.0 9.0 9.0 22.0 26.0 24.0 19.0 10.0 14.0 15.0 8.0 16.0 8.0 8.0 16.0 7.0 11.0 10.0 20.0 18.0 15.0 14.0 49.0 10.0 16.0 18.0 8.0 5.0 9.0 7.0 13.0 9.0 7.0 4.0 11.0 10.0 5.0 9.0 9.0 9.0 9.0 13.0 4.0 15.0 25.0 9.0 5.0 6.0 20.0 3.0 14.0 46.0 5.0 5.0 13.0 4.0 9.0 10.0 9.0 11.0 11.0 11.0 9.0 15.0 5.0 10.0 7.0 4.0 8.0 9.0 10.0 6.0 13.0 16.0 6.0 24.0 9.0 11.0 12.0 8.0 14.0 6.0 6.0 11.0 14.0 6.0 10.0 20.0 7.0 15.0 8.0 15.0 5.0 8.0 8.0 5.0 11.0 165.0 34.0 6.0 13.0 8.0 9.0 11.0 26.0 18.0 3.0 5.0 12.0 6.0 16.0 19.0 9.0 10.0 11.0 11.0 7.0 9.0 10.0 24.0 6.0 6.0 8.0 16.0 13.0 10.0 10.0 6.0 5.0 20.0 6.0 47.0 9.0 9.0 12.0 11.0 17.0 15.0 14.0 11.0 97.0 11.0 12.0 11.0 14.0 15.0 12.0 104.0 5.0 22.0 45.0 75.0 29.0 34.0 20.0 12.0 25.0 9.0 62.0 20.0 19.0 8.0 23.0 13.0 16.0 34.0 36.0 11.0 18.0 12.0 24.0 30.0 27.0 44.0 35.0 53.0 11.0 26.0 13.0 18.0 9.0 16.0 6.0 19.0 20.0 19.0 22.0 30.0 14.0 16.0 22.0 15.0 15.0 26.0 16.0 13.0 27.0 18.0 13.0 32.0 31.0 16.0 38.0 18.0 9.0 14.0 10.0 24.0 8.0 15.0 18.0 10.0 23.0 17.0 11.0 26.0 14.0 8.0 12.0 9.0 11.0 34.0 17.0 29.0 11.0 9.0 14.0 21.0 12.0 11.0 13.0 11.0 13.0 16.0 13.0 19.0 21.0 14.0 11.0 35.0 18.0 42.0 15.0 5.0 21.0 56.0 9.0 20.0 17.0 18.0 8.0 9.0 17.0 9.0 10.0 14.0 17.0 6.0 18.0 13.0 11.0 12.0 11.0 8.0 15.0 11.0 20.0 59.0 11.0 18.0 17.0 12.0 14.0 13.0 9.0 490.0 189.0 102.0 38.0 126.0 71.0 21.0 57.0 79.0 17.0 17.0 23.0 16.0 23.0 18.0 22.0 44.0 6.0 31.0 17.0 25.0 40.0 19.0 15.0 15.0 29.0 18.0 16.0 13.0 20.0 22.0 19.0 11.0 50.0 22.0 39.0 23.0 21.0 23.0 22.0 16.0 19.0 35.0 16.0 12.0 15.0 13.0 14.0 10.0 21.0 20.0 19.0 14.0 12.0 15.0 17.0 16.0 21.0 27.0 13.0 11.0 15.0 14.0 18.0 18.0 10.0 11.0 14.0 18.0 14.0 13.0 17.0 15.0 14.0 234.0 8.0 62.0 26.0 22.0 8.0 22.0 15.0 69.0 11.0 18.0 23.0 12.0 20.0 17.0 15.0 16.0 18.0 21.0 15.0 30.0 115.0 56.0 45.0 17.0 18.0 15.0 18.0 14.0 15.0 15.0 24.0 22.0 18.0 30.0 12.0 13.0 18.0 17.0 31.0 26.0 29.0 12.0 19.0 19.0 57.0 17.0 20.0 49.0 10.0 19.0 26.0 41.0 23.0 30.0 55.0 17.0 24.0 14.0 12.0 49.0 42.0 37.0 13.0 30.0 20.0 33.0 20.0 14.0 40.0 15.0 18.0 26.0 8.0 25.0 21.0 20.0 25.0 19.0 23.0 18.0 19.0 18.0 55.0 16.0 65.0 11.0 11.0 13.0 20.0 21.0 13.0 24.0 20.0 13.0 32.0 16.0 10.0 13.0 44.0 17.0 13.0 72.0 40.0 19.0 14.0 13.0 12.0 14.0 10.0 26.0 13.0 22.0 14.0 23.0 12.0 8.0 50.0 13.0 10.0 16.0 14.0 10.0 24.0 10.0 20.0 10.0 26.0 25.0 16.0 19.0 20.0 12.0 19.0 50.0 16.0 30.0 18.0 25.0 14.0 20.0 8.0 67.0 13.0 41.0 10.0 21.0 13.0 8.0 15.0 14.0 12.0 6.0 11.0 10.0 42.0 21.0 24.0 14.0 11.0 204.0 14.0 45.0 33.0 28.0 18.0 14.0 47.0 15.0 14.0 18.0 20.0 14.0 16.0 14.0 20.0 60.0 22.0 15.0 17.0 19.0 18.0 21.0 21.0 47.0 65.0 17.0 32.0 63.0 15.0 26.0 14.0 20.0 22.0 19.0 18.0 20.0 zh
1 11.0 14.0 15.0 18.0 11.0 13.0 22.0 11.0 10.0 4.0 41.0 65.0 57.0 38.0 20.0 62.0 44.0 15.0 10.0 47.0 24.0 17.0 22.0 9.0 39.0 13.0 11.0 12.0 21.0 19.0 9.0 15.0 33.0 8.0 8.0 7.0 13.0 2.0 23.0 12.0 27.0 27.0 36.0 23.0 58.0 80.0 60.0 69.0 42.0 161.0 94.0 77.0 78.0 20.0 24.0 13.0 14.0 26.0 8.0 82.0 22.0 11.0 81.0 37.0 9.0 40.0 47.0 18.0 23.0 6.0 2.0 7.0 16.0 10.0 34.0 14.0 31.0 20.0 23.0 14.0 16.0 34.0 15.0 30.0 13.0 30.0 15.0 25.0 17.0 8.0 12.0 17.0 10.0 21.0 18.0 30.0 13.0 7.0 15.0 23.0 20.0 15.0 9.0 47.0 14.0 11.0 16.0 12.0 7.0 15.0 14.0 12.0 18.0 29.0 39.0 11.0 14.0 28.0 17.0 20.0 17.0 36.0 13.0 11.0 14.0 14.0 14.0 33.0 14.0 13.0 18.0 13.0 11.0 8.0 10.0 11.0 81.0 14.0 20.0 6.0 16.0 18.0 9.0 12.0 10.0 8.0 11.0 14.0 47.0 13.0 13.0 6.0 10.0 8.0 8.0 8.0 18.0 31.0 16.0 15.0 10.0 13.0 9.0 32.0 161.0 6.0 20.0 8.0 11.0 13.0 8.0 19.0 7.0 9.0 16.0 11.0 6.0 38.0 11.0 17.0 13.0 12.0 12.0 9.0 7.0 15.0 14.0 14.0 11.0 13.0 12.0 12.0 24.0 15.0 38.0 18.0 26.0 15.0 12.0 14.0 40.0 19.0 13.0 39.0 19.0 16.0 19.0 11.0 76.0 14.0 19.0 26.0 19.0 17.0 30.0 17.0 17.0 17.0 19.0 11.0 175.0 10.0 5.0 12.0 7.0 12.0 14.0 19.0 11.0 19.0 17.0 15.0 19.0 15.0 9.0 20.0 6.0 11.0 6.0 15.0 20.0 35.0 34.0 21.0 17.0 22.0 26.0 16.0 16.0 28.0 19.0 17.0 15.0 11.0 7.0 15.0 11.0 36.0 16.0 22.0 18.0 46.0 17.0 15.0 17.0 12.0 17.0 14.0 15.0 14.0 15.0 28.0 36.0 23.0 12.0 25.0 18.0 18.0 16.0 20.0 17.0 16.0 13.0 15.0 19.0 14.0 20.0 37.0 16.0 15.0 11.0 42.0 10.0 14.0 61.0 39.0 17.0 17.0 41.0 35.0 16.0 9.0 64.0 22.0 22.0 66.0 33.0 30.0 16.0 18.0 45.0 17.0 88.0 23.0 18.0 12.0 12.0 13.0 13.0 5.0 11.0 13.0 11.0 22.0 10.0 13.0 17.0 10.0 14.0 18.0 9.0 16.0 17.0 6.0 15.0 18.0 10.0 11.0 16.0 10.0 12.0 12.0 13.0 9.0 16.0 19.0 19.0 11.0 15.0 10.0 20.0 25.0 9.0 14.0 10.0 14.0 18.0 25.0 13.0 24.0 14.0 13.0 14.0 24.0 16.0 15.0 13.0 11.0 12.0 28.0 28.0 17.0 27.0 48.0 184.0 64.0 24.0 92.0 31.0 34.0 49.0 21.0 36.0 32.0 16.0 16.0 19.0 22.0 22.0 19.0 18.0 18.0 17.0 35.0 49.0 19.0 25.0 24.0 39.0 19.0 29.0 30.0 16.0 54.0 15.0 39.0 19.0 17.0 60.0 12.0 77.0 63.0 12.0 9.0 34.0 30.0 13.0 20.0 29.0 10.0 14.0 23.0 15.0 12.0 25.0 22.0 144.0 31.0 31.0 17.0 66.0 78.0 19.0 44.0 43.0 35.0 13.0 13.0 25.0 15.0 37.0 38.0 22.0 28.0 19.0 46.0 24.0 22.0 43.0 58.0 26.0 20.0 27.0 35.0 20.0 31.0 24.0 24.0 94.0 18.0 20.0 18.0 16.0 38.0 54.0 29.0 49.0 25.0 72.0 144.0 36.0 97.0 179.0 29.0 12.0 21.0 42.0 53.0 41.0 19.0 25.0 19.0 15.0 21.0 21.0 27.0 33.0 15.0 24.0 13.0 11.0 14.0 26.0 11.0 21.0 14.0 14.0 54.0 5.0 10.0 12.0 11.0 14.0 28.0 23.0 20.0 9.0 12.0 11.0 14.0 14.0 15.0 15.0 11.0 20.0 13.0 19.0 621.0 57.0 17.0 23.0 19.0 21.0 47.0 28.0 22.0 22.0 65.0 27.0 17.0 17.0 13.0 9.0 18.0 22.0 17.0 15.0 22.0 23.0 19.0 17.0 42.0 28.0 15.0 9.0 30.0 52.0 45.0 26.0 20.0 zh
2 1.0 0.0 1.0 1.0 0.0 4.0 0.0 3.0 4.0 4.0 1.0 1.0 1.0 6.0 8.0 6.0 4.0 5.0 1.0 2.0 3.0 8.0 8.0 6.0 6.0 2.0 2.0 3.0 2.0 4.0 3.0 3.0 5.0 3.0 5.0 4.0 2.0 5.0 1.0 4.0 5.0 0.0 0.0 7.0 3.0 5.0 1.0 6.0 2.0 5.0 0.0 3.0 1.0 0.0 1.0 1.0 2.0 4.0 2.0 1.0 1.0 3.0 4.0 3.0 6.0 6.0 4.0 3.0 3.0 2.0 9.0 7.0 2.0 3.0 1.0 3.0 1.0 6.0 7.0 1.0 2.0 5.0 2.0 3.0 8.0 5.0 0.0 4.0 1.0 5.0 3.0 0.0 1.0 8.0 2.0 1.0 3.0 0.0 0.0 5.0 3.0 3.0 0.0 2.0 5.0 2.0 5.0 10.0 5.0 6.0 1.0 4.0 4.0 1.0 3.0 13.0 2.0 1.0 3.0 2.0 1.0 10.0 5.0 6.0 2.0 5.0 2.0 2.0 3.0 2.0 6.0 3.0 2.0 1.0 2.0 3.0 1.0 1.0 2.0 2.0 3.0 2.0 2.0 5.0 7.0 2.0 3.0 4.0 6.0 1.0 3.0 6.0 3.0 3.0 4.0 2.0 2.0 4.0 3.0 1.0 5.0 5.0 4.0 2.0 4.0 5.0 4.0 2.0 1.0 6.0 1.0 1.0 3.0 1.0 3.0 5.0 3.0 3.0 0.0 5.0 3.0 2.0 2.0 2.0 2.0 0.0 3.0 3.0 3.0 4.0 4.0 8.0 3.0 5.0 8.0 1.0 4.0 0.0 3.0 6.0 3.0 1.0 3.0 3.0 3.0 1.0 3.0 8.0 4.0 3.0 2.0 5.0 6.0 3.0 6.0 5.0 6.0 7.0 3.0 1.0 5.0 1.0 2.0 0.0 1.0 4.0 3.0 3.0 9.0 4.0 7.0 5.0 10.0 2.0 3.0 3.0 4.0 2.0 3.0 5.0 3.0 6.0 4.0 5.0 5.0 2.0 1.0 4.0 7.0 2.0 2.0 5.0 1.0 0.0 3.0 3.0 1.0 2.0 4.0 2.0 2.0 3.0 4.0 7.0 1.0 1.0 10.0 9.0 5.0 1.0 6.0 7.0 4.0 6.0 2.0 4.0 155.0 155.0 83.0 48.0 31.0 16.0 6.0 13.0 8.0 8.0 5.0 7.0 3.0 4.0 6.0 7.0 10.0 9.0 7.0 8.0 4.0 6.0 5.0 2.0 7.0 3.0 7.0 6.0 3.0 1.0 6.0 2.0 1.0 3.0 8.0 3.0 5.0 4.0 7.0 5.0 2.0 5.0 0.0 3.0 12.0 4.0 2.0 4.0 6.0 4.0 5.0 9.0 4.0 5.0 7.0 1.0 5.0 1.0 5.0 4.0 5.0 7.0 7.0 5.0 3.0 4.0 1.0 9.0 3.0 4.0 6.0 2.0 2.0 1.0 16.0 6.0 3.0 3.0 6.0 1.0 6.0 1.0 4.0 3.0 5.0 1.0 6.0 5.0 1.0 4.0 5.0 4.0 2.0 4.0 3.0 4.0 2.0 0.0 1.0 3.0 12.0 4.0 7.0 5.0 6.0 6.0 6.0 3.0 3.0 3.0 5.0 5.0 2.0 11.0 6.0 2.0 2.0 3.0 7.0 5.0 4.0 5.0 3.0 3.0 9.0 7.0 2.0 1.0 5.0 6.0 7.0 13.0 3.0 5.0 6.0 2.0 4.0 1.0 2.0 7.0 2.0 2.0 4.0 4.0 2.0 5.0 3.0 2.0 3.0 5.0 4.0 2.0 5.0 7.0 5.0 2.0 7.0 6.0 11.0 10.0 5.0 19.0 7.0 11.0 4.0 10.0 3.0 4.0 6.0 3.0 4.0 8.0 10.0 3.0 3.0 1.0 10.0 5.0 4.0 4.0 3.0 4.0 1.0 3.0 6.0 6.0 6.0 3.0 5.0 11.0 6.0 3.0 7.0 6.0 0.0 2.0 4.0 4.0 3.0 6.0 4.0 3.0 4.0 1.0 6.0 5.0 5.0 2.0 3.0 3.0 2.0 2.0 6.0 1.0 3.0 3.0 3.0 2.0 10.0 2.0 2.0 2.0 7.0 3.0 6.0 4.0 2.0 4.0 6.0 5.0 4.0 4.0 3.0 3.0 9.0 3.0 5.0 4.0 0.0 1.0 4.0 5.0 8.0 8.0 1.0 1.0 2.0 5.0 3.0 3.0 3.0 7.0 3.0 9.0 8.0 3.0 210.0 5.0 4.0 6.0 2.0 2.0 4.0 3.0 3.0 1.0 1.0 7.0 4.0 4.0 6.0 3.0 4.0 17.0 zh
3 35.0 13.0 10.0 94.0 4.0 26.0 14.0 9.0 11.0 16.0 16.0 11.0 23.0 145.0 14.0 17.0 85.0 4.0 30.0 22.0 9.0 10.0 11.0 7.0 7.0 11.0 9.0 11.0 44.0 8.0 14.0 19.0 10.0 17.0 17.0 10.0 7.0 10.0 1.0 8.0 27.0 19.0 16.0 2.0 84.0 22.0 14.0 47.0 25.0 14.0 11.0 12.0 27.0 8.0 17.0 43.0 3.0 19.0 14.0 20.0 43.0 4.0 5.0 37.0 23.0 14.0 12.0 13.0 22.0 12.0 12.0 6.0 27.0 5.0 7.0 24.0 8.0 9.0 10.0 12.0 19.0 7.0 7.0 18.0 15.0 7.0 9.0 10.0 9.0 14.0 8.0 17.0 6.0 8.0 7.0 5.0 3.0 9.0 5.0 6.0 8.0 8.0 11.0 6.0 7.0 28.0 15.0 8.0 7.0 7.0 12.0 5.0 11.0 3.0 7.0 23.0 6.0 3.0 8.0 8.0 39.0 4.0 10.0 6.0 8.0 9.0 16.0 9.0 8.0 8.0 7.0 5.0 5.0 12.0 8.0 15.0 9.0 12.0 5.0 7.0 6.0 12.0 7.0 6.0 33.0 5.0 11.0 6.0 4.0 32.0 9.0 17.0 2.0 10.0 10.0 5.0 7.0 11.0 8.0 10.0 6.0 17.0 11.0 20.0 11.0 15.0 18.0 10.0 15.0 12.0 12.0 12.0 8.0 13.0 9.0 11.0 4.0 12.0 9.0 6.0 12.0 9.0 9.0 6.0 7.0 7.0 11.0 7.0 14.0 9.0 21.0 9.0 10.0 13.0 10.0 13.0 16.0 8.0 10.0 7.0 13.0 18.0 8.0 50.0 8.0 33.0 6.0 22.0 9.0 84.0 28.0 11.0 7.0 14.0 16.0 49.0 71.0 29.0 22.0 6.0 34.0 16.0 14.0 9.0 12.0 24.0 18.0 8.0 26.0 8.0 8.0 13.0 21.0 9.0 10.0 14.0 12.0 9.0 10.0 20.0 15.0 26.0 24.0 19.0 10.0 12.0 8.0 16.0 13.0 8.0 17.0 12.0 34.0 10.0 9.0 9.0 15.0 10.0 12.0 8.0 11.0 9.0 28.0 17.0 11.0 13.0 10.0 10.0 10.0 16.0 12.0 12.0 13.0 25.0 25.0 18.0 18.0 23.0 27.0 39.0 11.0 16.0 9.0 26.0 14.0 15.0 10.0 23.0 17.0 74.0 114.0 8.0 15.0 15.0 15.0 12.0 14.0 14.0 23.0 21.0 11.0 19.0 9.0 10.0 11.0 14.0 9.0 5.0 10.0 20.0 22.0 16.0 9.0 10.0 42.0 22.0 7.0 7.0 54.0 7.0 9.0 13.0 5.0 10.0 12.0 18.0 23.0 23.0 17.0 6.0 14.0 13.0 13.0 9.0 11.0 35.0 8.0 12.0 15.0 10.0 25.0 9.0 8.0 8.0 10.0 14.0 9.0 11.0 303.0 29.0 121.0 69.0 39.0 25.0 27.0 54.0 39.0 24.0 22.0 20.0 14.0 12.0 8.0 17.0 11.0 15.0 19.0 20.0 11.0 36.0 19.0 35.0 22.0 14.0 17.0 15.0 12.0 34.0 20.0 25.0 15.0 18.0 19.0 13.0 17.0 16.0 11.0 22.0 43.0 8.0 13.0 16.0 8.0 19.0 14.0 9.0 13.0 13.0 16.0 10.0 10.0 11.0 17.0 32.0 21.0 16.0 23.0 15.0 55.0 17.0 17.0 15.0 7.0 13.0 11.0 11.0 8.0 22.0 5.0 7.0 18.0 9.0 13.0 27.0 15.0 19.0 7.0 9.0 14.0 14.0 9.0 16.0 11.0 7.0 14.0 13.0 11.0 9.0 9.0 9.0 11.0 15.0 28.0 10.0 24.0 8.0 20.0 19.0 12.0 31.0 14.0 9.0 40.0 15.0 83.0 60.0 19.0 15.0 15.0 12.0 23.0 17.0 20.0 26.0 11.0 13.0 9.0 44.0 7.0 18.0 4.0 36.0 34.0 10.0 8.0 21.0 7.0 6.0 12.0 15.0 9.0 13.0 21.0 13.0 10.0 21.0 15.0 103.0 22.0 15.0 12.0 11.0 15.0 7.0 12.0 13.0 9.0 8.0 21.0 16.0 38.0 13.0 14.0 17.0 26.0 14.0 10.0 9.0 23.0 15.0 7.0 10.0 7.0 10.0 14.0 17.0 11.0 9.0 11.0 5.0 10.0 8.0 17.0 13.0 23.0 40.0 16.0 17.0 41.0 17.0 8.0 9.0 18.0 12.0 12.0 18.0 13.0 18.0 23.0 10.0 32.0 10.0 26.0 27.0 16.0 11.0 17.0 19.0 10.0 11.0 zh
4 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 38.0 159.0 9.0 4.0 1.0 10.0 9.0 2.0 0.0 5.0 0.0 3.0 55.0 234.0 57.0 5.0 4.0 4.0 0.0 9.0 9.0 6.0 6.0 6.0 10.0 7.0 5.0 4.0 6.0 4.0 2.0 6.0 5.0 3.0 3.0 2.0 5.0 5.0 8.0 8.0 6.0 3.0 7.0 7.0 6.0 6.0 2.0 8.0 3.0 7.0 8.0 3.0 4.0 5.0 2.0 1.0 1.0 1.0 2.0 8.0 6.0 1.0 0.0 4.0 2.0 6.0 2.0 2.0 2.0 1.0 5.0 2.0 2.0 2.0 3.0 10.0 1.0 3.0 4.0 2.0 3.0 4.0 1.0 1.0 9.0 0.0 1.0 6.0 2.0 5.0 2.0 2.0 3.0 2.0 11.0 1.0 4.0 4.0 2.0 10.0 5.0 3.0 10.0 2.0 5.0 7.0 2.0 5.0 8.0 2.0 5.0 1.0 1.0 2.0 6.0 6.0 2.0 1.0 3.0 2.0 3.0 4.0 3.0 2.0 0.0 13.0 4.0 2.0 4.0 3.0 3.0 1.0 3.0 5.0 2.0 3.0 2.0 4.0 3.0 39.0 4.0 3.0 1.0 5.0 5.0 5.0 5.0 8.0 15.0 13.0 63.0 2.0 2.0 3.0 6.0 10.0 2.0 8.0 4.0 3.0 3.0 6.0 4.0 1.0 5.0 9.0 1.0 6.0 4.0 0.0 4.0 9.0 6.0 8.0 13.0 4.0 7.0 6.0 9.0 3.0 21.0 6.0 13.0 10.0 2.0 3.0 6.0 7.0 10.0 6.0 6.0 4.0 173.0 5.0 10.0 10.0 18.0 20.0 11.0 5.0 6.0 33.0 13.0 10.0 22.0 11.0 8.0 4.0 10.0 13.0 11.0 8.0 6.0 10.0 14.0 6.0 9.0 6.0 16.0 14.0 13.0 15.0 14.0 16.0 9.0 178.0 64.0 12.0 10.0 11.0 6.0 8.0 7.0 9.0 8.0 5.0 11.0 8.0 4.0 15.0 5.0 8.0 8.0 6.0 7.0 15.0 4.0 11.0 7.0 48.0 9.0 25.0 13.0 3.0 11.0 27.0 13.0 36.0 10.0 zh
In [36]:
set(df['language'])
Out[36]:
{'NA', '_de', 'de', 'en', 'es', 'fr', 'ja', 'ru', 'zh'}
In [37]:
en_df = df.loc[(df['language']=='en')==True]
In [38]:
mean_val_df =  df.pivot_table(index='language', aggfunc='mean')
In [39]:
mean_val_df.head()
Out[39]:
2015-07-01 2015-07-02 2015-07-03 2015-07-04 2015-07-05 2015-07-06 2015-07-07 2015-07-08 2015-07-09 2015-07-10 2015-07-11 2015-07-12 2015-07-13 2015-07-14 2015-07-15 2015-07-16 2015-07-17 2015-07-18 2015-07-19 2015-07-20 2015-07-21 2015-07-22 2015-07-23 2015-07-24 2015-07-25 2015-07-26 2015-07-27 2015-07-28 2015-07-29 2015-07-30 2015-07-31 2015-08-01 2015-08-02 2015-08-03 2015-08-04 2015-08-05 2015-08-06 2015-08-07 2015-08-08 2015-08-09 2015-08-10 2015-08-11 2015-08-12 2015-08-13 2015-08-14 2015-08-15 2015-08-16 2015-08-17 2015-08-18 2015-08-19 2015-08-20 2015-08-21 2015-08-22 2015-08-23 2015-08-24 2015-08-25 2015-08-26 2015-08-27 2015-08-28 2015-08-29 2015-08-30 2015-08-31 2015-09-01 2015-09-02 2015-09-03 2015-09-04 2015-09-05 2015-09-06 2015-09-07 2015-09-08 2015-09-09 2015-09-10 2015-09-11 2015-09-12 2015-09-13 2015-09-14 2015-09-15 2015-09-16 2015-09-17 2015-09-18 2015-09-19 2015-09-20 2015-09-21 2015-09-22 2015-09-23 2015-09-24 2015-09-25 2015-09-26 2015-09-27 2015-09-28 2015-09-29 2015-09-30 2015-10-01 2015-10-02 2015-10-03 2015-10-04 2015-10-05 2015-10-06 2015-10-07 2015-10-08 2015-10-09 2015-10-10 2015-10-11 2015-10-12 2015-10-13 2015-10-14 2015-10-15 2015-10-16 2015-10-17 2015-10-18 2015-10-19 2015-10-20 2015-10-21 2015-10-22 2015-10-23 2015-10-24 2015-10-25 2015-10-26 2015-10-27 2015-10-28 2015-10-29 2015-10-30 2015-10-31 2015-11-01 2015-11-02 2015-11-03 2015-11-04 2015-11-05 2015-11-06 2015-11-07 2015-11-08 2015-11-09 2015-11-10 2015-11-11 2015-11-12 2015-11-13 2015-11-14 2015-11-15 2015-11-16 2015-11-17 2015-11-18 2015-11-19 2015-11-20 2015-11-21 2015-11-22 2015-11-23 2015-11-24 2015-11-25 2015-11-26 2015-11-27 2015-11-28 2015-11-29 2015-11-30 2015-12-01 2015-12-02 2015-12-03 2015-12-04 2015-12-05 2015-12-06 2015-12-07 2015-12-08 2015-12-09 2015-12-10 2015-12-11 2015-12-12 2015-12-13 2015-12-14 2015-12-15 2015-12-16 2015-12-17 2015-12-18 2015-12-19 2015-12-20 2015-12-21 2015-12-22 2015-12-23 2015-12-24 2015-12-25 2015-12-26 2015-12-27 2015-12-28 2015-12-29 2015-12-30 2015-12-31 2016-01-01 2016-01-02 2016-01-03 2016-01-04 2016-01-05 2016-01-06 2016-01-07 2016-01-08 2016-01-09 2016-01-10 2016-01-11 2016-01-12 2016-01-13 2016-01-14 2016-01-15 2016-01-16 2016-01-17 2016-01-18 2016-01-19 2016-01-20 2016-01-21 2016-01-22 2016-01-23 2016-01-24 2016-01-25 2016-01-26 2016-01-27 2016-01-28 2016-01-29 2016-01-30 2016-01-31 2016-02-01 2016-02-02 2016-02-03 2016-02-04 2016-02-05 2016-02-06 2016-02-07 2016-02-08 2016-02-09 2016-02-10 2016-02-11 2016-02-12 2016-02-13 2016-02-14 2016-02-15 2016-02-16 2016-02-17 2016-02-18 2016-02-19 2016-02-20 2016-02-21 2016-02-22 2016-02-23 2016-02-24 2016-02-25 2016-02-26 2016-02-27 2016-02-28 2016-02-29 2016-03-01 2016-03-02 2016-03-03 2016-03-04 2016-03-05 2016-03-06 2016-03-07 2016-03-08 2016-03-09 2016-03-10 2016-03-11 2016-03-12 2016-03-13 2016-03-14 2016-03-15 2016-03-16 2016-03-17 2016-03-18 2016-03-19 2016-03-20 2016-03-21 2016-03-22 2016-03-23 2016-03-24 2016-03-25 2016-03-26 2016-03-27 2016-03-28 2016-03-29 2016-03-30 2016-03-31 2016-04-01 2016-04-02 2016-04-03 2016-04-04 2016-04-05 2016-04-06 2016-04-07 2016-04-08 2016-04-09 2016-04-10 2016-04-11 2016-04-12 2016-04-13 2016-04-14 2016-04-15 2016-04-16 2016-04-17 2016-04-18 2016-04-19 2016-04-20 2016-04-21 2016-04-22 2016-04-23 2016-04-24 2016-04-25 2016-04-26 2016-04-27 2016-04-28 2016-04-29 2016-04-30 2016-05-01 2016-05-02 2016-05-03 2016-05-04 2016-05-05 2016-05-06 2016-05-07 2016-05-08 2016-05-09 2016-05-10 2016-05-11 2016-05-12 2016-05-13 2016-05-14 2016-05-15 2016-05-16 2016-05-17 2016-05-18 2016-05-19 2016-05-20 2016-05-21 2016-05-22 2016-05-23 2016-05-24 2016-05-25 2016-05-26 2016-05-27 2016-05-28 2016-05-29 2016-05-30 2016-05-31 2016-06-01 2016-06-02 2016-06-03 2016-06-04 2016-06-05 2016-06-06 2016-06-07 2016-06-08 2016-06-09 2016-06-10 2016-06-11 2016-06-12 2016-06-13 2016-06-14 2016-06-15 2016-06-16 2016-06-17 2016-06-18 2016-06-19 2016-06-20 2016-06-21 2016-06-22 2016-06-23 2016-06-24 2016-06-25 2016-06-26 2016-06-27 2016-06-28 2016-06-29 2016-06-30 2016-07-01 2016-07-02 2016-07-03 2016-07-04 2016-07-05 2016-07-06 2016-07-07 2016-07-08 2016-07-09 2016-07-10 2016-07-11 2016-07-12 2016-07-13 2016-07-14 2016-07-15 2016-07-16 2016-07-17 2016-07-18 2016-07-19 2016-07-20 2016-07-21 2016-07-22 2016-07-23 2016-07-24 2016-07-25 2016-07-26 2016-07-27 2016-07-28 2016-07-29 2016-07-30 2016-07-31 2016-08-01 2016-08-02 2016-08-03 2016-08-04 2016-08-05 2016-08-06 2016-08-07 2016-08-08 2016-08-09 2016-08-10 2016-08-11 2016-08-12 2016-08-13 2016-08-14 2016-08-15 2016-08-16 2016-08-17 2016-08-18 2016-08-19 2016-08-20 2016-08-21 2016-08-22 2016-08-23 2016-08-24 2016-08-25 2016-08-26 2016-08-27 2016-08-28 2016-08-29 2016-08-30 2016-08-31 2016-09-01 2016-09-02 2016-09-03 2016-09-04 2016-09-05 2016-09-06 2016-09-07 2016-09-08 2016-09-09 2016-09-10 2016-09-11 2016-09-12 2016-09-13 2016-09-14 2016-09-15 2016-09-16 2016-09-17 2016-09-18 2016-09-19 2016-09-20 2016-09-21 2016-09-22 2016-09-23 2016-09-24 2016-09-25 2016-09-26 2016-09-27 2016-09-28 2016-09-29 2016-09-30 2016-10-01 2016-10-02 2016-10-03 2016-10-04 2016-10-05 2016-10-06 2016-10-07 2016-10-08 2016-10-09 2016-10-10 2016-10-11 2016-10-12 2016-10-13 2016-10-14 2016-10-15 2016-10-16 2016-10-17 2016-10-18 2016-10-19 2016-10-20 2016-10-21 2016-10-22 2016-10-23 2016-10-24 2016-10-25 2016-10-26 2016-10-27 2016-10-28 2016-10-29 2016-10-30 2016-10-31 2016-11-01 2016-11-02 2016-11-03 2016-11-04 2016-11-05 2016-11-06 2016-11-07 2016-11-08 2016-11-09 2016-11-10 2016-11-11 2016-11-12 2016-11-13 2016-11-14 2016-11-15 2016-11-16 2016-11-17 2016-11-18 2016-11-19 2016-11-20 2016-11-21 2016-11-22 2016-11-23 2016-11-24 2016-11-25 2016-11-26 2016-11-27 2016-11-28 2016-11-29 2016-11-30 2016-12-01 2016-12-02 2016-12-03 2016-12-04 2016-12-05 2016-12-06 2016-12-07 2016-12-08 2016-12-09 2016-12-10 2016-12-11 2016-12-12 2016-12-13 2016-12-14 2016-12-15 2016-12-16 2016-12-17 2016-12-18 2016-12-19 2016-12-20 2016-12-21 2016-12-22 2016-12-23 2016-12-24 2016-12-25 2016-12-26 2016-12-27 2016-12-28 2016-12-29 2016-12-30 2016-12-31
language
NA 124.284493 128.301077 123.393474 111.330127 119.047298 130.555252 135.840366 139.953745 127.215591 128.105765 106.282181 108.629682 120.425034 130.504795 135.777781 132.082497 140.784296 130.648663 123.435131 123.507023 143.138679 150.970555 137.581002 132.231498 123.833653 119.890540 141.104862 135.682423 142.142063 137.356639 203.751495 135.085740 212.990326 134.755133 151.294449 153.789288 170.970640 169.060554 199.832497 156.986236 176.160537 185.184313 150.668660 166.430449 161.603621 209.460261 182.001579 162.709781 165.085599 168.217819 158.158901 141.881684 114.433072 115.736744 132.665191 130.867357 125.115806 130.249069 124.093017 116.659550 125.653035 125.869387 130.325530 151.835966 143.698866 137.851083 144.087912 135.023466 147.500000 146.867103 141.728960 143.034804 132.072259 119.450869 119.142599 128.656899 133.272873 140.771661 137.654924 140.401935 130.408817 122.500931 135.212771 132.646773 132.266104 140.938290 134.212150 124.036496 121.631177 146.725011 140.812303 147.355257 150.213589 141.980737 127.792926 134.280573 141.687274 138.225491 134.298821 135.318338 133.018163 123.957835 119.842537 137.159860 133.445341 136.307000 139.993654 135.124323 132.468101 140.572089 147.281899 148.407576 140.701546 141.926444 135.255951 121.137325 123.640935 135.872208 140.116821 147.608078 139.501044 136.753018 121.360954 126.556464 137.211925 134.239198 132.125254 132.767656 129.086050 120.297016 123.229270 135.725914 140.468468 131.426444 132.404276 127.988013 121.748167 130.217255 137.498054 145.269912 145.976506 146.699825 140.489649 125.834866 130.837799 134.686033 136.552629 136.281024 144.882192 130.099898 121.522902 126.437923 137.045521 142.942154 146.848714 142.221204 142.248392 130.922411 128.854580 146.515540 141.374436 157.992667 145.448415 143.150637 147.565800 128.142966 138.295719 143.125536 152.051275 147.091353 137.872349 127.891104 129.832074 146.682226 142.553926 142.797383 125.874803 120.229214 133.587602 138.249746 143.299865 144.322202 150.514046 127.482288 127.490806 144.209245 129.993005 143.234967 150.962771 174.963560 148.283873 145.038837 132.721965 134.607457 151.606216 143.223150 144.043180 142.256092 139.198838 131.364198 136.259223 155.244557 160.360052 170.642092 160.122349 154.755274 141.315320 139.424667 158.025581 164.351337 148.041601 146.605991 141.141781 132.588871 138.980680 153.899284 152.293096 156.795831 152.199176 165.283986 152.033676 156.615072 180.018107 168.672129 160.971063 196.406955 162.961248 143.973629 137.575502 147.808439 148.371051 148.636817 147.600716 145.274989 137.295126 160.820538 146.198274 150.372744 161.127454 170.773071 167.778007 148.388228 162.828830 164.373533 167.159747 169.700079 168.698556 168.207638 168.053475 166.193677 172.267120 173.342932 160.832045 150.306775 149.351619 139.613775 134.824741 144.778345 144.046480 141.133123 144.752454 137.442746 135.563713 131.564051 142.063487 156.965055 163.523014 145.448725 146.601139 153.235757 139.512325 167.166347 172.524058 174.525609 170.097417 161.154981 148.045183 156.774058 158.102691 172.834161 176.666009 165.698076 163.031024 175.149791 200.528824 159.919901 161.762917 162.208991 168.151173 185.813233 153.771689 166.452787 172.925147 177.952617 182.122546 185.417306 180.352127 185.316392 212.245318 211.659663 210.192605 217.748505 218.268079 196.500677 171.144376 192.926839 204.960204 199.689249 197.021548 244.208286 291.852916 273.652273 279.870741 305.856949 266.375959 186.767825 178.339999 171.962940 158.736970 174.999774 181.815574 180.057028 173.047101 172.281842 159.959245 162.701489 166.147704 174.638340 175.057649 181.016302 230.111772 193.151004 161.050598 153.065546 169.739198 181.857796 192.837884 189.936654 176.258518 166.261084 177.049836 182.639243 173.883546 149.842594 176.554913 157.818423 174.702420 174.313036 202.186259 196.792926 206.188120 209.551472 190.999633 195.363718 226.506882 190.505077 170.158140 170.936654 180.812133 157.793716 192.657858 206.097191 145.114677 142.885097 156.764271 165.287539 168.491454 129.500226 132.320284 123.026681 114.121192 129.166065 145.410283 138.699994 113.495036 102.336417 130.933157 121.265935 122.778486 116.205438 156.593806 114.482429 101.953097 170.084866 150.969906 120.288075 128.178644 133.338278 116.875705 155.379061 192.369557 139.642402 119.613859 121.161665 123.299442 106.237900 173.539062 128.093947 152.183636 159.600209 141.533563 154.260746 145.140963 139.282237 158.018784 142.799075 173.042419 149.535058 133.949374 128.700220 130.749295 133.907265 157.195425 208.155742 181.701517 147.972811 127.808833 114.633264 128.025045 138.558551 181.432903 146.212291 168.606047 171.426500 182.853255 151.572625 156.936682 225.175767 237.204817 344.097332 292.221401 361.382023 178.841353 219.798257 210.732401 190.909127 179.138002 184.656729 253.477268 177.232147 180.979129 197.680449 217.314954 231.365439 157.643163 183.077279 177.203238 194.847699 179.659042 199.827025 207.117385 191.759646 170.355003 196.417785 194.860644 186.845442 200.794844 200.678729 155.364621 142.664965 151.933890 132.095555 152.126861 246.011620 236.154078 133.987985 158.517430 159.610390 152.097163 154.158676 173.945623 147.978593 150.070848 147.052995 177.344370 205.354101 206.074289 136.458822 131.138453 132.109037 127.548144 138.308439 149.331876 139.229496 130.368964 154.479891 126.654699 127.663498 151.529135 142.077194 135.116341 133.446356 145.729101 160.241257 157.267543 195.313487 192.226845 176.426726 145.320284 154.415839 130.464266 134.105906 167.913019 134.093976 147.444720 163.680139 137.498477 122.209781 120.245290 132.878187 138.825502 138.674385 138.302995 124.561738 131.115241 130.397732 150.746390 243.022253 146.290303 141.071553 138.157999 154.901286 166.391640 166.160283 156.375564 154.348319 150.514187 279.354016 217.637833 168.392543 168.924724 146.686231 155.168801 150.442831 144.795831 180.798116 175.554039 154.432593 177.784324 214.646294 138.774340 172.324402 147.766951 172.023579 173.453351 154.427600 194.112336 154.616341 171.983444 151.356047
_de 11.000000 192.000000 192.000000 80.000000 72.000000 29.000000 44.000000 101.000000 72.000000 78.000000 57.000000 83.000000 192.000000 192.000000 192.000000 11.000000 192.000000 11.000000 11.000000 192.000000 24.000000 210.000000 192.000000 107.000000 192.000000 708.000000 73.000000 707.000000 625.000000 2709.000000 849.000000 513.000000 48.000000 385.000000 193.000000 1128.000000 191.000000 893.000000 1758.000000 292.000000 91.000000 72.000000 158.000000 192.000000 468.000000 231.000000 456.000000 203.000000 182.000000 389.000000 126.000000 35.000000 185.000000 212.000000 13.000000 13.000000 13.000000 490.000000 62.000000 578.000000 294.000000 208.000000 487.000000 764.000000 492.000000 1280.000000 617.000000 659.000000 668.000000 247.000000 405.000000 248.000000 514.000000 134.000000 161.000000 578.000000 109.000000 65.000000 360.000000 103.000000 245.000000 148.000000 135.000000 13.000000 102.000000 383.000000 263.000000 124.000000 425.000000 189.000000 284.000000 278.000000 414.000000 180.000000 87.000000 172.000000 646.000000 250.000000 460.000000 137.000000 117.000000 70.000000 248.000000 313.000000 169.000000 632.000000 155.000000 184.000000 249.000000 156.000000 37.000000 126.000000 89.000000 399.000000 276.000000 229.000000 709.000000 115.000000 569.000000 63.000000 863.000000 22.000000 48.000000 59.000000 489.000000 58.000000 54.000000 13.000000 85.000000 277.000000 440.000000 781.000000 1111.000000 434.000000 238.000000 233.000000 525.000000 222.000000 153.000000 104.000000 1308.000000 177.000000 451.000000 26.000000 17.000000 192.000000 192.000000 695.000000 162.000000 145.000000 288.000000 122.000000 446.000000 895.000000 519.000000 325.000000 919.000000 553.000000 529.000000 382.000000 557.000000 331.000000 309.000000 496.000000 405.000000 417.000000 441.000000 578.000000 513.000000 567.000000 944.000000 328.000000 563.000000 374.000000 590.000000 713.000000 408.000000 652.000000 563.000000 534.000000 647.000000 389.000000 342.000000 512.000000 249.000000 284.000000 183.000000 275.000000 254.000000 301.000000 457.000000 790.000000 379.000000 576.000000 825.000000 841.000000 383.000000 716.000000 518.000000 747.000000 109.000000 297.000000 67.000000 270.000000 559.000000 1090.000000 398.000000 220.000000 193.000000 241.000000 383.000000 920.000000 461.000000 685.000000 432.000000 134.000000 668.000000 117.000000 504.000000 461.000000 61.000000 370.000000 127.000000 288.000000 144.000000 244.000000 39.000000 192.000000 28.000000 111.000000 582.000000 545.000000 245.000000 405.000000 304.000000 192.000000 30.000000 192.000000 192.000000 634.000000 66.000000 192.000000 303.000000 186.000000 167.000000 94.000000 130.000000 150.000000 241.000000 599.000000 397.000000 323.000000 744.000000 522.000000 63.000000 633.000000 793.000000 564.000000 35.000000 264.000000 191.000000 33.000000 22.000000 192.000000 35.000000 89.000000 54.000000 13.000000 11.000000 52.000000 26.000000 599.000000 109.000000 76.000000 52.000000 35.000000 24.000000 43.000000 13.000000 91.000000 128.000000 139.000000 244.000000 100.000000 43.000000 351.000000 39.000000 117.000000 13.000000 65.000000 587.000000 588.000000 165.000000 450.000000 172.000000 198.000000 135.000000 13.000000 115.000000 87.000000 336.000000 118.000000 242.000000 174.000000 79.000000 120.000000 67.000000 96.000000 174.000000 349.000000 191.000000 356.000000 1027.000000 376.000000 146.000000 318.000000 3208.000000 5938.000000 2559.000000 1197.000000 226.000000 227.000000 187.000000 104.000000 220.000000 155.000000 260.000000 141.000000 100.000000 152.000000 122.000000 63.000000 152.000000 13.000000 139.000000 178.000000 208.000000 114.000000 283.000000 115.000000 636.000000 552.000000 488.000000 534.000000 454.000000 390.000000 150.000000 295.000000 368.000000 336.000000 283.000000 407.000000 16.000000 241.000000 328.000000 215.000000 945.000000 65.000000 192.000000 22.000000 26.000000 65.000000 37.000000 180.000000 24.000000 102.000000 43.000000 192.000000 52.000000 259.000000 192.000000 192.000000 11.000000 173.000000 86.000000 15.000000 26.000000 98.000000 73.000000 167.000000 182.000000 13.000000 128.000000 198.000000 52.000000 26.000000 174.000000 114.000000 171.000000 1094.000000 351.000000 154.000000 125.000000 222.000000 175.000000 163.000000 192.000000 26.000000 192.000000 70.000000 26.000000 37.000000 9.000000 37.000000 85.000000 143.000000 270.000000 15.000000 24.000000 310.000000 128.000000 26.000000 123.000000 63.000000 109.000000 33.000000 98.000000 192.000000 192.000000 13.000000 126.000000 159.000000 3492.000000 4775.000000 389.000000 192.000000 52.000000 31.000000 192.000000 26.000000 54.000000 37.000000 192.000000 13.000000 192.000000 192.000000 192.000000 35.000000 28.000000 772.000000 13713.000000 4609.000000 272.000000 117.000000 11.000000 263.000000 325.000000 408.000000 85.000000 387.000000 338.000000 258.000000 606.000000 1494.000000 781.000000 566.000000 1246.000000 1190.000000 2247.000000 11346.000000 765.000000 962.000000 192.000000 779.000000 498.000000 891.000000 2097.000000 1438.000000 28.000000 762.000000 1258.000000 982.000000 379.000000 197.000000 197.000000 361.000000 1752.000000 11900.000000 1175.000000 798.000000 73.000000 91.000000 735.000000 144.000000 192.000000 200.000000 144.000000 229.000000 192.000000 24.000000 13.000000 24.000000 11.000000 1722.000000 3663.000000 3336.000000 192.000000 24.000000 226.000000 316.000000 98.000000 13.000000 30.000000 184.000000 524.000000 205.000000 39.000000 192.000000 192.000000 26.000000 192.000000 15.000000 61.000000 52.000000 13.000000 24.000000 192.000000 192.000000 192.000000 28.000000 22.000000 35.000000 11.000000 81.000000 141.000000 113.000000 169.000000 123.000000 277.000000 264.000000 106.000000 46.000000 24.000000 7.000000 30.000000 192.000000 192.000000 234.000000 192.000000 39.000000 13.000000 13.000000 115.000000 236.000000 192.000000 79.000000 111.000000 26.000000 11.000000 93.000000
de 748.269078 738.514997 709.930981 653.911157 755.402831 828.627678 804.455823 815.614173 786.091528 734.555595 681.797093 803.507539 874.126024 833.323453 779.690405 772.491566 794.234772 929.449287 879.028448 807.686229 755.239410 769.896702 748.663150 711.692737 707.514102 738.057276 788.023214 782.003281 779.941992 746.691870 701.400418 687.459972 710.136139 737.224169 779.012231 747.307751 752.398601 767.022021 696.206568 773.289988 740.308049 765.495200 770.295927 784.771736 748.883061 708.970792 843.955253 829.387238 814.178446 776.786977 780.907035 736.559907 648.697456 778.802788 823.705158 855.931252 783.724223 798.660194 783.334897 685.039540 800.117725 804.203395 829.478142 830.290340 862.285594 796.069643 764.502631 853.246217 868.259966 835.294408 810.536530 801.100450 837.120491 731.104274 853.017411 879.967728 830.154960 818.794489 823.076694 803.209334 782.408825 894.913842 871.783940 857.321853 866.747708 856.708277 831.569670 747.861664 825.346667 867.015675 834.561263 816.472447 794.957775 771.032218 835.829528 867.670500 869.573249 842.288360 852.613820 832.181130 821.539513 777.867468 878.886695 856.872647 859.446005 857.932174 854.639122 798.817134 760.523865 861.649265 873.160031 875.573656 871.532543 864.082199 826.375224 767.486766 870.531947 882.492868 849.811764 838.100857 840.580870 815.183002 787.058442 909.902370 892.566958 863.216738 893.349270 867.747925 831.662255 823.776835 979.603705 976.844091 993.444948 950.503471 902.514834 872.321609 864.142485 1084.921950 1038.421001 995.444514 1019.095704 1007.738488 912.789635 946.960921 1063.639258 1006.345284 931.005261 916.453761 894.086321 865.305310 836.100179 996.734393 950.542686 900.248495 902.393448 1012.226040 1092.151380 1024.755004 1160.470874 1290.987118 947.728942 899.766936 892.740874 835.793649 823.006373 932.990101 1015.618702 917.334138 918.311900 911.962114 846.234556 841.218203 973.870288 920.158892 847.970847 809.020773 770.829555 904.938710 979.847399 1005.118349 925.211531 947.316727 893.412052 833.269621 1017.680561 1034.984759 1089.502929 1114.152601 1026.193524 1060.888160 1037.194853 1027.492596 1016.419076 1144.798828 1244.174649 1088.424771 1047.061344 1094.867549 1129.310408 1053.610376 1161.009139 1096.623719 1093.326897 1086.015756 1016.142404 1047.209443 963.152763 1090.179015 1070.471986 1026.216087 1014.904486 1007.694012 961.960135 996.704100 1157.517167 1113.591067 1014.619868 1000.340647 967.988935 907.760916 886.974508 1036.965748 1127.802517 1004.004692 969.781418 969.243369 928.242122 928.838396 1033.035933 1016.325161 994.726257 966.958751 908.303873 870.784862 904.402723 994.413733 992.644275 915.486278 1053.254000 961.437436 930.204290 836.370424 1092.470223 1178.741037 970.594701 972.316727 989.763004 908.059934 855.803412 1060.365162 1003.942507 966.783425 935.611000 886.174161 910.100830 852.814042 1016.252970 1033.534767 955.907930 960.030726 881.149889 968.033926 821.372891 926.101481 933.576531 894.136031 917.896675 944.368769 1158.224250 855.891007 983.435293 1028.735450 1078.561371 949.745702 865.034740 942.728128 808.643489 887.927212 979.771384 975.304822 926.374790 923.505776 982.114878 826.081033 970.045208 938.157292 962.827385 935.242420 873.173049 899.027255 828.438792 988.931035 942.045208 914.973396 866.379536 894.451673 887.727857 843.182866 1018.821527 985.868715 981.062998 920.195829 881.837202 853.697917 778.661794 925.338206 862.516217 902.445409 845.258312 776.406086 757.240766 708.534387 811.130200 901.164533 901.632722 848.052747 868.473776 858.172371 885.253810 994.161767 1044.512095 921.964067 859.131963 846.806368 813.918832 756.451239 839.782964 957.899414 911.540733 861.203911 832.252617 827.881515 815.178527 919.686717 948.902370 883.077182 912.547757 882.315995 869.613115 878.941639 932.868037 992.971877 907.814124 896.830721 901.391956 911.797472 920.179829 1175.755248 1115.570944 1064.080436 959.275099 1002.850220 936.978901 842.560802 955.607637 1002.165862 993.243044 966.770407 887.206921 902.560964 867.300130 1074.170500 1227.570022 1043.798042 881.894587 907.458182 868.980989 897.868824 992.799317 862.495173 880.271112 931.252346 915.754814 799.842247 753.125807 939.357244 992.642702 959.348918 996.863725 888.447117 847.465070 754.563676 818.318897 815.301595 779.843386 792.999051 811.914981 790.785621 763.431469 811.520611 829.625970 774.348809 819.867061 810.363291 750.415279 672.073277 794.047730 779.934642 837.855508 789.707545 799.037154 783.882004 704.661442 740.684141 809.091013 820.943592 830.924662 838.148343 857.707273 789.255573 856.331507 835.526496 824.213484 826.358518 834.264468 801.451836 777.044422 889.419428 850.723735 798.964338 793.692032 784.367088 733.541249 657.389000 781.867929 852.309975 807.993708 774.809676 783.869908 761.804035 708.250420 875.743342 877.941503 831.745647 812.331073 776.244807 801.021479 737.981288 846.518441 869.224142 828.925883 812.181402 803.488501 807.229511 803.679720 887.044259 871.625970 839.947334 827.989044 806.843928 783.910723 695.959185 782.164208 890.616559 854.042713 830.936541 844.703016 805.794083 868.958562 1007.094104 1163.018712 1054.881298 951.622390 827.253946 807.258746 770.056896 883.285025 903.404350 874.971959 837.978603 885.856837 943.475810 774.459646 921.287818 932.527228 885.558171 886.495634 877.490129 877.101345 789.825433 897.466833 894.175842 880.704995 850.581792 874.563161 842.761458 766.651218 895.640044 900.950941 962.806666 922.569317 855.888512 842.121278 824.835467 1010.372620 985.040950 953.260156 1265.828172 987.746352 1003.889244 895.045561 1014.465152 1025.730460 935.103162 958.862613 920.649997 873.144655 882.721294 967.880078 925.475701 907.788469 855.096003 892.443293 824.687124 846.570592 1001.452894 1001.048354 938.019363 853.352308 843.140587 835.136682 793.112979 929.100233 906.010577 868.633075 862.399577 939.579785 903.299778 767.454575 918.221131 919.368227 866.679612 919.394967 856.959023 801.517682 753.016082 877.201199 1072.342002 876.688181 872.429707 836.056924 846.415089 817.959592 1290.908825 1213.845420 1091.727152 1038.956907 1000.697321 955.019689 898.415632
en 3699.986672 3688.549667 3509.763578 3647.536381 3761.088692 4035.626885 3829.172886 3621.479071 3702.149938 3681.276676 3700.044565 4052.993003 4016.116264 4038.056102 3745.556289 3788.103145 3637.659038 3516.470658 3723.403623 3903.324594 3725.897439 3670.154040 3616.903103 3521.684569 3528.428072 3768.189254 3825.872116 3771.326218 4373.224052 3463.246501 3354.614827 3364.601083 3642.698959 3447.752103 3702.168388 3707.183590 3713.217284 3779.046731 3612.324844 3759.248126 3692.633819 3685.987026 3698.902582 3650.649125 3614.836214 3614.016160 3844.948313 3892.770179 3763.202478 3620.249688 3626.622595 3558.571720 3515.734777 3878.325115 3858.595002 3670.588713 3507.477468 3504.818638 3405.655914 3500.039317 3675.406726 3970.021116 3571.966805 3585.553978 3523.978655 3468.080342 3560.110579 3754.202166 3976.129384 3819.226197 3719.555435 3626.702228 3751.428217 3680.402124 4075.142420 3893.188713 3748.461204 3641.638900 3777.026010 3601.178217 3538.031487 3938.762474 4092.282965 3830.377239 3923.207122 3642.165389 3569.536964 3534.004311 3770.179238 3920.131820 3654.389442 3783.474594 3654.015015 3648.482049 3729.374011 4093.455935 4000.428488 3752.845252 3825.548563 3836.770596 3918.083819 3993.226781 4182.125718 4271.998376 4228.392461 4386.970033 4106.385194 3591.813244 3666.417097 3950.447709 4129.517826 4151.953249 4133.298209 4038.538234 3870.855977 3785.722782 4145.112203 4202.415056 4216.885444 4119.207309 3931.860496 3784.545044 3693.662266 3847.378946 4240.998584 4079.651520 3986.116951 4067.703457 3776.203603 3666.955789 3989.142441 4143.780383 3978.900396 3941.347418 3881.951687 3672.143794 3764.559038 4157.368117 4239.656830 4051.143003 3948.748501 3912.111766 3826.842461 4038.737672 4276.205373 4350.197605 4126.851062 4078.788401 3926.090754 3904.588880 4096.837359 4239.576760 4443.847043 4159.462037 3947.516285 3974.512828 3820.894981 3770.652853 4049.031758 4419.237609 4204.078759 4052.135923 3892.918388 3922.174177 3746.769867 4163.444148 4262.293107 3992.083319 3989.651687 3969.445169 3965.521033 3887.520637 4088.884382 4295.969096 4066.836318 4052.399688 3853.459954 3825.179883 4276.109434 4355.413536 4377.645439 4303.541087 4110.843232 3872.061224 4301.071887 4620.081695 4752.172699 4805.086651 4353.747064 4376.018721 4342.362411 4257.411308 4429.899354 4641.802707 6230.934590 5035.428842 4469.394127 4897.982216 4532.178009 4440.180008 4783.434840 4878.677280 4730.464140 4474.894794 4422.846210 4518.192170 4365.344315 4707.295939 5082.916368 4598.510162 4503.703853 4239.346272 4246.932611 4284.483965 4841.276281 5073.708184 5075.017347 4748.808830 4610.231279 4697.329030 4314.396772 4909.212349 5640.614077 4686.084965 4686.916451 4201.396210 4420.066035 4440.244940 4935.084736 4960.187130 5167.237713 4746.731529 4418.375115 4341.808288 4347.833944 4730.961141 5074.069950 4621.794107 4635.919242 4678.266097 4379.879717 4331.114327 4707.890171 6169.920929 4732.820367 4662.484694 4601.462057 4528.962870 4734.015098 5131.473969 5086.473365 4623.938005 4519.866910 4184.200021 4127.813474 3956.860516 4011.808372 4388.137401 4064.645814 4297.569992 4045.820970 3761.435423 3707.895419 3928.045190 4026.141087 3856.979050 3859.596189 3816.286943 3913.809059 3879.493544 4136.349521 4347.883278 4156.784257 3919.592066 3794.894794 3764.904498 4425.096606 4833.431237 5028.138880 4767.804332 4846.314369 4177.026635 4019.536880 4121.463599 4352.009538 4416.295335 4190.826593 4154.415764 4005.117847 3895.318284 3791.286152 4068.274698 4335.890462 4276.181424 4293.610537 4842.919596 4606.133944 4188.366327 4515.388401 4587.362516 4220.243440 4146.220991 4133.294461 3935.969721 4047.368992 4226.773344 4522.760287 4384.058934 4344.835860 4080.386693 4113.620367 4064.842732 4345.545044 4422.106747 4252.666056 4084.163286 4127.229071 3980.234736 4088.157705 4427.178738 4509.028759 4220.363411 4184.338817 4076.113765 3824.251791 4153.714556 4130.613953 4472.530925 4131.695481 4060.866639 3982.033257 3793.903540 3952.207393 4132.428905 4307.471845 4152.225906 4043.861933 3922.064806 3856.756352 4302.005768 4600.701603 4615.886235 4293.390858 4264.692128 4158.976177 4158.717930 4516.433965 4794.177926 4910.051541 4759.166431 4349.196335 4201.865306 4014.157851 4071.537943 4482.029134 5021.667347 4314.446293 4397.786172 4233.526135 4265.635235 4225.605914 4454.457684 4653.044502 4388.413578 4181.387401 4532.187901 4255.462037 4380.016431 4437.567076 4653.760079 4612.552624 5168.843690 4425.556581 3999.818263 4248.078780 4889.976072 4968.380966 4323.063911 4195.819034 4143.496835 4058.419825 4229.452228 4455.872470 4491.551229 4627.093294 5743.735006 7035.052145 7752.654207 7663.828905 8082.058892 8399.197209 8475.422511 8123.955664 7987.473115 7669.135777 7401.612620 7902.561433 8144.959142 7779.152041 6930.722699 6440.964182 6594.347064 7230.811724 7414.101812 8127.003769 7834.577718 8261.399917 7878.588484 7977.811058 7962.126010 8172.180966 8395.640983 7424.733778 4805.659100 4699.358809 4602.471345 4686.269658 5217.746314 5136.751895 4786.773282 4554.744960 4395.391066 4271.690816 4699.126593 5055.291004 5734.209350 6147.831445 6173.611766 6092.740712 6152.967638 6428.183215 6528.321158 5872.895398 5479.824552 4900.390587 4516.603644 4355.313911 4766.990775 5006.486589 4805.115431 4969.359392 4941.164744 5073.132174 4317.433590 4570.864244 4836.958205 5085.788588 4580.965660 4705.262766 4580.413536 4522.793315 4517.405414 4838.085610 4880.882882 4886.742399 4765.511412 4618.275281 4405.774282 4704.363474 4965.004873 5222.730779 5042.817097 5447.979571 5436.979467 4354.824261 4747.473594 5232.791795 5203.702791 4560.396272 4532.026197 4644.144419 4475.538463 4752.350541 5017.428571 5194.698251 4889.079238 4841.050541 4930.564369 4530.536943 4614.528155 4934.028863 5128.727530 4835.614910 4663.266597 4620.276197 4259.249792 4475.396460 4919.583715 5073.148334 4798.000646 4958.405394 5141.658767 4783.680342 5028.240275 5405.233632 5459.937318 5515.039921 7602.484027 6243.618451 5615.616035 5455.953665 5994.157747 6060.320491 5411.209496 5249.151041 5008.257393 4798.757934 4851.398980 5000.508955 5401.762890 5394.093648 4915.597147 4624.380675 4522.132611 5113.526760 5342.106143 4895.737089 5039.180487 4709.966327 4658.619284 4588.075739 5166.426926 5218.600812 5329.009142 5286.961558 4983.505810 4882.645002 4545.169513 4735.979925 4922.312078 5064.444357 4821.117701 5063.441087 4608.754623 4345.563203 4342.664536 5017.024636 5471.423907 5350.263224 4967.593253 5035.755748 4719.243336 5009.433923 5176.930154 5810.180550 6081.584736 5900.938067 6287.405998 5239.806185 5165.529030
es 1124.820419 1076.750516 993.822199 934.806317 1013.400292 1149.757318 1122.161776 1090.163058 1069.704936 975.865430 881.295207 998.521330 1128.683249 1183.224236 1119.941528 1068.381383 965.186169 844.355530 900.841215 1051.858735 1041.649455 1070.707108 1007.518873 899.005662 808.492201 888.467239 1017.945018 1010.488213 1021.432982 972.736415 882.276298 774.640553 846.979133 871.401253 1049.602486 1061.814935 1062.764155 948.248522 874.919771 953.756143 1016.904387 1174.998611 1180.714906 1140.587280 979.187415 852.308596 924.366534 1132.146962 1233.487002 1241.803290 1178.897764 1079.124991 923.182252 1071.010932 1314.233566 1520.008048 1536.142939 1491.112136 1273.270672 989.128908 1189.421800 1468.000677 1545.636173 1544.085998 1499.113097 1250.428246 1031.967773 1197.337583 1507.261164 1562.121786 1541.773485 1455.660815 1242.490599 1003.121181 1145.780429 1414.174631 1358.159177 1314.119009 1489.310947 1239.423510 1007.604052 1200.117691 1484.935510 1538.335054 1539.908091 1420.610284 1170.725981 1020.963250 1202.311196 1472.774838 1539.225874 1519.449256 1436.626059 1228.668507 1012.387437 1160.628054 1408.296346 1499.967381 1491.794922 1430.482302 1251.041806 1057.996617 1204.659640 1591.975180 1650.876398 1618.771419 1529.886297 1286.222741 1096.671355 1282.642582 1516.879959 1574.842390 1582.989317 1511.178442 1275.657111 1087.401147 1245.127733 1498.436863 1587.105406 1553.392707 1426.501923 1174.436258 989.624599 1042.956556 1328.249234 1436.255573 1524.016986 1491.857311 1269.043159 1031.904173 1212.451428 1485.753151 1546.602094 1496.723844 1439.189944 1226.794922 1061.180970 1142.527491 1380.050068 1502.575671 1581.611495 1458.202407 1199.370522 1015.231429 1195.131437 1444.764582 1565.773022 1460.991418 1329.100385 1139.149028 952.524001 1083.927605 1252.549890 1261.932946 1250.165337 1189.213055 1013.972545 832.261199 919.564134 1113.087601 1169.388149 1157.568229 1136.657040 957.461969 850.552916 948.571861 1090.142226 1024.912934 991.834520 947.521936 817.162488 769.286411 828.864789 837.961506 792.144790 741.001602 675.219215 666.302792 779.582330 791.722491 874.422691 885.670394 807.727299 722.804644 716.202443 851.409622 874.951357 945.275372 1050.750801 956.766363 994.963820 1082.156043 1050.307243 1148.388469 1531.514066 1427.158464 1329.068371 1329.395663 1204.400114 1057.515989 1090.240581 1275.176946 1362.894666 1350.089025 1335.076811 1251.577808 1027.449256 1155.287444 1404.281034 1484.492237 1570.805569 1409.376896 1154.225661 1063.213482 1281.388897 1310.131365 1434.651129 1515.440318 1488.201873 1252.998682 1093.183570 1207.728046 1528.012179 1524.018588 1836.414572 1566.708140 1264.722313 1128.300904 1300.437683 1462.232426 1575.589737 1649.529271 1537.286091 1287.323695 1116.545474 1296.485008 1474.487857 1543.472687 1538.760416 1443.761413 1218.955060 1102.110533 1316.212093 1832.287017 1654.457517 1647.118296 1593.797165 1433.315789 1273.229756 1427.414999 1615.259989 1708.667937 1680.426359 1523.529806 1348.705755 1102.579090 1304.710313 1515.887508 1573.495940 1611.410904 1460.298020 1214.385514 1018.802293 1115.861406 1213.262410 1217.848052 1105.227584 1099.063065 1135.789581 1159.333274 1287.804679 1508.244463 1471.173385 1498.850438 1444.922370 1240.022434 1132.375757 1317.604337 1529.713446 1562.056015 1632.197422 1540.864468 1291.223275 1075.657432 1298.076775 1586.239299 1534.165729 1539.370344 1527.762446 1270.395591 1055.066626 1273.956200 1476.224201 1553.505840 1591.771704 1575.381988 1372.477637 1153.654761 1325.731536 1453.036750 1555.895485 1478.183427 1403.015455 1181.053629 1045.160245 1249.664696 1467.944876 1546.103554 1517.248487 1458.248914 1295.316644 1071.200769 1203.635567 1451.201268 1484.805961 1499.554412 1442.469447 1191.285699 1094.147746 1237.566235 1432.217470 1567.803397 1728.475002 1448.366106 1310.915284 1150.236700 1272.843921 1524.226622 1487.757710 1525.504309 1377.075956 1147.536892 1137.343387 1249.054305 1463.041094 1479.728723 1464.443273 1410.111673 1210.752938 1155.461363 1291.928673 1484.923047 1507.059896 1520.237376 1407.615732 1222.015170 1066.827256 1345.903354 1417.630119 1542.060608 1413.284560 1290.900363 1193.054198 1060.392529 1149.196781 1347.808062 1395.866000 1314.138202 1199.580016 1106.518802 1004.869525 1132.857952 1402.202122 1290.743537 1276.179546 1114.593405 1012.770102 983.422014 1048.229328 1118.473613 1174.621110 1141.360943 1127.278506 973.762410 914.928068 1168.584716 1154.884054 1149.843387 1115.821701 1075.648992 1027.271669 880.022826 966.201161 1087.223097 1070.433302 1062.199309 1052.332206 998.554946 861.512570 958.871697 1094.793177 1102.956342 1072.350723 1103.169005 1002.796346 860.663450 971.449683 1078.437255 1086.645431 1149.986931 1076.053379 1058.238836 1055.741365 1087.684495 1272.013852 1309.344812 1306.393882 1262.832597 1116.366320 1018.323410 1088.882594 1324.178014 1356.827327 1335.925290 1303.284097 1195.774838 1053.589274 1262.637918 1380.787693 1444.430098 1523.786803 1582.533651 1231.176768 1016.962111 1308.266541 1634.383591 1625.362154 1587.079410 1520.638345 1261.193968 1029.756712 1318.416744 1553.851364 1597.732783 1647.045438 1495.808062 1273.876718 1037.808846 1278.279254 1528.979560 1722.599601 1502.357382 1321.614629 1122.062602 1021.204757 1237.288370 1446.735631 1512.768321 1518.445410 1508.547611 1266.207286 1000.438145 1208.521402 1472.047076 1514.329927 1492.465245 1429.166477 1152.570152 1027.169041 1197.605833 1469.756641 1509.659604 1504.138131 1403.886867 1252.607044 994.643473 1192.416138 1388.885834 1466.339078 1580.958479 1437.327327 1224.950146 1052.960687 1373.831493 1441.827292 1495.187914 1533.262339 1476.166940 1327.952817 1077.780856 1257.161776 1539.307421 1576.082081 1497.614949 1405.317534 1191.192971 962.403924 1151.832028 1306.714087 1305.181362 1358.645787 1385.510149 1228.211915 1060.297593 1277.849797 1466.441457 1628.660316 2134.566662 1647.134000 1386.404601 1125.278933 1313.751335 1533.678086 1569.807065 1467.951392 1370.245495 1206.202122 1000.324728 1128.942988 1317.524037 1464.695072 1459.860907 1331.713553 1129.107970 1190.894559 1372.447190 1391.385941 1638.488925 1418.835197 1267.665480 1133.095328 916.618047 1068.114486 1201.056299 1276.549355 1170.411830 1132.181291 1022.338758 867.712520 964.149811 1094.648992 1092.348586 1150.543302 1015.325511 923.678477 869.157859 1017.336408 1138.203725 1105.357916 1079.950395 986.119329 937.551634 882.705612 906.077096 1198.216722 1135.945873 1180.994089 1114.683107 823.661705 789.299694
In [40]:
df = mean_val_df.T
In [41]:
df.head()
Out[41]:
language NA _de de en es fr ja ru zh
2015-07-01 124.284493 11.0 748.269078 3699.986672 1124.820419 518.275576 623.080703 691.852568 300.511928
2015-07-02 128.301077 192.0 738.514997 3688.549667 1076.750516 521.232645 709.462561 702.874850 300.816903
2015-07-03 123.393474 192.0 709.930981 3509.763578 993.822199 503.030516 644.695993 655.785690 298.917792
2015-07-04 111.330127 80.0 653.911157 3647.536381 934.806317 534.642391 799.631563 620.469613 301.842952
2015-07-05 119.047298 72.0 755.402831 3761.088692 1013.400292 525.623191 768.694764 656.572081 317.261095
In [42]:
df.columns.name = None
In [43]:
df.reset_index(inplace=True)
In [44]:
#df.to_csv('AdEase_gen_data.csv',index=False)
In [45]:
df.rename(index={'index':'dates'},inplace=True)
In [46]:
#df.columns.name = 'dates'
In [47]:
df.set_index('index',inplace=True)
In [48]:
df.head()
Out[48]:
NA _de de en es fr ja ru zh
index
2015-07-01 124.284493 11.0 748.269078 3699.986672 1124.820419 518.275576 623.080703 691.852568 300.511928
2015-07-02 128.301077 192.0 738.514997 3688.549667 1076.750516 521.232645 709.462561 702.874850 300.816903
2015-07-03 123.393474 192.0 709.930981 3509.763578 993.822199 503.030516 644.695993 655.785690 298.917792
2015-07-04 111.330127 80.0 653.911157 3647.536381 934.806317 534.642391 799.631563 620.469613 301.842952
2015-07-05 119.047298 72.0 755.402831 3761.088692 1013.400292 525.623191 768.694764 656.572081 317.261095
In [49]:
#df.to_csv('AdEase_gen_data.csv')
In [50]:
df = pd.DataFrame(df)
In [51]:
df.head()
Out[51]:
NA _de de en es fr ja ru zh
index
2015-07-01 124.284493 11.0 748.269078 3699.986672 1124.820419 518.275576 623.080703 691.852568 300.511928
2015-07-02 128.301077 192.0 738.514997 3688.549667 1076.750516 521.232645 709.462561 702.874850 300.816903
2015-07-03 123.393474 192.0 709.930981 3509.763578 993.822199 503.030516 644.695993 655.785690 298.917792
2015-07-04 111.330127 80.0 653.911157 3647.536381 934.806317 534.642391 799.631563 620.469613 301.842952
2015-07-05 119.047298 72.0 755.402831 3761.088692 1013.400292 525.623191 768.694764 656.572081 317.261095
In [52]:
df.columns
Out[52]:
Index(['NA', '_de', 'de', 'en', 'es', 'fr', 'ja', 'ru', 'zh'], dtype='object')

Pageview Trend of Different Languages¶

In [53]:
list(df.columns)
Out[53]:
['NA', '_de', 'de', 'en', 'es', 'fr', 'ja', 'ru', 'zh']
In [54]:
df.index = pd.to_datetime(df.index)
In [55]:
import matplotlib.pyplot as plt
import seaborn as sns

def plot_trend_lines(vals=list(df.columns)):
    """
    This function will plot both Trend Lines and Histograms for different languages.
    """
    for i in vals:
        # Create a new figure with 1 row and 2 columns
        fig, axes = plt.subplots(1, 2, figsize=(25, 10))
        
        # Plot the line plot on the first subplot
        df[i].plot(ax=axes[0], style='-o', label='original')
        axes[0].set_title(f'Avg PageView Trend for {i.upper()}', fontsize=20)
        axes[0].set_xlabel('Dates', fontsize=17)
        axes[0].set_ylabel(f'Avg PageViews {i.upper()}', fontsize=17)
        axes[0].tick_params(axis='both', labelsize=15)
        axes[0].grid(True)
        
        # Plot the histogram on the second subplot
        sns.histplot(df[i], ax=axes[1])
        axes[1].set_title(f'Histplot of {i.upper()} Language', fontsize=20)
        axes[1].set_xlabel(f'Avg PageViews {i.upper()}', fontsize=17)
        axes[1].set_ylabel('Frequency', fontsize=17)
        axes[1].tick_params(axis='both', labelsize=15)
        axes[1].grid(True)
        
        # Adjust layout for better spacing
        plt.tight_layout()
        
        # Show the plot
        plt.show()  
        print('\n')
In [56]:
plot_trend_lines()









Trend and Seasonality Check for Each Trends of PageViews¶

Trend and Seasonality Check for Chinese(ZH) Language Pageviews

In [57]:
model_zh = sm.tsa.seasonal_decompose(df.zh)
In [58]:
model_zh.plot()
plt.show()
In [59]:
def get_insight_plot(vals,window,ln):
    """
    This Function will print Original plot as well as Rolling Window plot
    """
    plt.figure(figsize=(25,10))
    vals.plot(style='-o',label='original')
    vals.rolling(window=window,center=False).mean().plot(style='-o',label='rolling')
    vals.rolling(window=window,center=True).mean().plot(style='-o',label='rolling center True')
    plt.xlabel('Dates',fontsize=17)
    plt.ylabel(f'Original Vs Windowed plot for {ln}',fontsize=17)
    plt.legend()
    plt.xticks(fontsize=15)  # Adjust fontsize as needed
    plt.yticks(fontsize=15)
    plt.grid()
    plt.title(f'Avg PageView Trend for {ln}',fontsize=20)
    plt.show()  
    print('\n')
In [60]:
plt.title('Trend line of ZH Language Pageviews')
model_zh.trend.plot(grid=True,figsize=(20,10))
plt.show()
In [61]:
plt.title('Seasonalty plot of ZH Language Pageviews')
model_zh.seasonal.plot(grid=True,figsize=(20,10))
plt.show()
In [62]:
get_insight_plot(df['zh'],window=7,ln='zh')

Observation¶

  1. Trend is showing upwards direction flow this indicates that with moving forward dates the view may increase.

  2. Seasonality shows that it is repeating in every 8 months for this language.

Trend and Seasonality Check for Russian(RU) Language Pageviews

In [63]:
model_ru = sm.tsa.seasonal_decompose(df.ru)
In [64]:
model_ru.plot()
plt.show()
In [65]:
plt.title('Trend line of RU Language Pageviews')
model_ru.trend.plot(grid=True,figsize=(20,10))
plt.show()
In [66]:
plt.title('Seasonalty plot of RU Language Pageviews')
model_ru.seasonal.plot(grid=True,figsize=(20,10))
plt.show()
In [67]:
get_insight_plot(df['ru'],window=7,ln='RU')

Observation¶

  1. Trend is showing slightly downwards direction flow this indicates that with moving forward dates the pageviews may decrease.

  2. Seasonality shows that it is repeating in every 8 months for this language.

Trend and Seasonality Check for Japanese(JA) Language Pageviews

In [68]:
model_ja = sm.tsa.seasonal_decompose(df.ja)
In [69]:
model_ja.plot()
plt.show()
In [70]:
plt.title('Trend line of JA Language Pageviews')
model_ja.trend.plot(grid=True,figsize=(20,10))
plt.show()
In [71]:
plt.title('Seasonalty plot of JA Language Pageviews')
model_ja.seasonal.plot(grid=True,figsize=(20,10))
plt.show()
In [72]:
get_insight_plot(df['ja'],window=7,ln='JA')

Observation¶

  1. Trend is showing upwards direction flow this indicates that with moving forward dates the pageviews will increase.

  2. Seasonality shows that it is repeating in every 8 months for this language.

Trend and Seasonality Check for French(FR) Language Pageviews

In [73]:
model_fr = sm.tsa.seasonal_decompose(df.fr)
In [74]:
model_fr.plot()
plt.show()
In [75]:
plt.title('Trend line of FR Language Pageviews')
model_fr.trend.plot(grid=True,figsize=(20,10))
plt.show()
In [76]:
plt.title('Seasonalty plot of FR Language Pageviews')
model_fr.seasonal.plot(grid=True,figsize=(20,10))
plt.show()
In [77]:
get_insight_plot(df['fr'],window=7,ln='FR')

Observation¶

  1. Trend is showing upward direction flow this indicates that with moving forward dates the pageviews may increase.

  2. Seasonality shows that it is repeating in every 8 months for this language.

Trend and Seasonality Check for Spanish(ES) Language Pageviews

In [78]:
model_es = sm.tsa.seasonal_decompose(df.es)
In [79]:
model_es.plot()
plt.show()
In [80]:
plt.title('Trend line of ES Language Pageviews')
model_es.trend.plot(grid=True,figsize=(20,10))
plt.show()
In [81]:
plt.title('Seasonalty plot of ES Language Pageviews')
model_es.seasonal.plot(grid=True,figsize=(20,10))
plt.show()
In [82]:
get_insight_plot(df['es'],window=4,ln='es')

Observation¶

  1. Trend is showing downward direction flow this indicates that with moving forward dates the pageviews may decrease.

  2. Seasonality shows that it is repeating in every 7 months for this language.

Trend and Seasonality Check for English(EN) Language Pageviews

In [83]:
model_en = sm.tsa.seasonal_decompose(df.en)
In [84]:
model_en.plot()
plt.show()
In [85]:
plt.title('Trend line of EN Language Pageviews')
model_en.trend.plot(grid=True,figsize=(20,10))
plt.show()
In [86]:
plt.title('Seasonalty plot of EN Language Pageviews')
model_en.seasonal.plot(grid=True,figsize=(20,10))
plt.show()
In [87]:
get_insight_plot(df['en'],window=7,ln='en')

Observation¶

  1. Trend is showing upward direction flow this indicates that with moving forward dates the pageviews may increase.

  2. Seasonality shows that it is repeating in every 8 months for this language.

Trend and Seasonality Check for German(DE) Language Pageviews

In [88]:
model_de = sm.tsa.seasonal_decompose(df.de)
In [89]:
model_de.plot()
plt.show()
In [90]:
plt.title('Trend line of DE Language Pageviews')
model_de.trend.plot(grid=True,figsize=(20,10))
plt.show()
In [91]:
plt.title('Seasonalty plot of DE Language Pageviews')
model_de.seasonal.plot(grid=True,figsize=(20,10))
plt.show()
In [92]:
get_insight_plot(df['de'],window=7,ln='de')

Observation¶

  1. Trend is showing upward direction flow this indicates that with moving forward dates the pageviews may increase.

  2. Seasonality shows that it is repeating in every 8 months for this language.

Trend and Seasonality Check for German(_DE) Language Pageviews

In [93]:
model__de = sm.tsa.seasonal_decompose(df._de)
In [94]:
model__de.plot()
plt.show()
In [95]:
plt.title('Trend line of _DE Language Pageviews')
model__de.trend.plot(grid=True,figsize=(20,10))
plt.show()
In [96]:
plt.title('Seasonalty plot of _DE Language Pageviews')
model__de.seasonal.plot(grid=True,figsize=(20,10))
plt.show()
In [97]:
get_insight_plot(df['_de'],window=7,ln='_de')

Observation¶

  1. Trend is showing stationary flow this indicates that with moving forward dates the pageviews may be stationary in nature.

  2. Seasonality shows that it is repeating in every 8 months for this language.

In [98]:
model_na = sm.tsa.seasonal_decompose(df.NA)
In [99]:
model_na.plot()
plt.show()
In [100]:
plt.title('Trend line of NA Language Pageviews')
model_na.trend.plot(grid=True,figsize=(20,10))
plt.show()
In [101]:
plt.title('Seasonalty plot of NA Language Pageviews')
model_na.seasonal.plot(grid=True,figsize=(20,10))
plt.show()
In [102]:
get_insight_plot(df['NA'],window=7,ln='NA')

Observation¶

  1. Trend is showing upward flow this indicates that with moving forward dates the pageviews may increase.

  2. Seasonality shows that it is repeating in every 8 months for this language.

Overall Observation from Above EDA Analysis¶

  1. Whole Dataset has seasonality of 7 months.

  2. Due to presence of outliers we can see spikes in trend, which we can fix either imputation or by clipping.

  3. Following Language have shown below trend type

    ZH - > High Trend

    RU -> Lower Trend

    JA -> High Trend

    FR -> High Trend

    ES -> Lower Trend

    EN -> High Trend

    DE -> High Trend

    _DE -> Lower Trend

    NA -> High Trend

Stationarity Check For Data¶

In [103]:
# H0 : TS is non stationary 
# H1 : TS is stationary

def adf_test(data,sig_val=0.05):
    p_value = sm.tsa.stattools.adfuller(data)[1]
    #print(f'p-value : {p_value}')
    if(p_value <= sig_val):
        return('TS is stationary',p_value)
    else:
        return('TS is non stationary',p_value)
In [104]:
zh_res,_ = adf_test(df['zh'])
print(f'Stationary Status for ZH Language: {zh_res}')

ru_res,_ = adf_test(df['ru'])
print(f'Stationary Status for RU Language: {ru_res}')

ja_res,_ = adf_test(df['ja'])
print(f'Stationary Status for JA Language: {ja_res}')

fr_res,_ = adf_test(df['fr'])
print(f'Stationary Status for FR Language: {fr_res}')

es_res,_ = adf_test(df['es'])
print(f'Stationary Status for ES Language: {es_res}')

en_res,_ = adf_test(df['en'])
print(f'Stationary Status for EN Language: {en_res}')

de_res,_ = adf_test(df['de'])
print(f'Stationary Status for DE Language: {de_res}')

_de_res,_ = adf_test(df['_de'])
print(f'Stationary Status for _DE Language: {_de_res}')

NA_res,_ = adf_test(df['NA'])
print(f'Stationary Status for NA Language: {NA_res}')
Stationary Status for ZH Language: TS is non stationary
Stationary Status for RU Language: TS is stationary
Stationary Status for JA Language: TS is non stationary
Stationary Status for FR Language: TS is stationary
Stationary Status for ES Language: TS is stationary
Stationary Status for EN Language: TS is non stationary
Stationary Status for DE Language: TS is non stationary
Stationary Status for _DE Language: TS is non stationary
Stationary Status for NA Language: TS is stationary

Observation¶

Below Mentioned Language trends are not stationary

  1. ZH

  2. JA

  3. EN

  4. DE

  5. _DE

Need to Perform Difference and de-trending to make it stationary.

In [105]:
def plot_acfs(val,title):
    """
    This function will Autocorrelation plot for provided language code.
    """
    plot_acf(val,title=f'Autocorrelation of {title} Language')
    plt.show()
In [106]:
def get_detrended_deseasonal_data(val,title,m_val=None):
    detrended_val = val.diff()
    detrended_val.plot(title=f'Detrended Plot of {title} language')
    print(f'ADF Test after Detrending {title} language:{adf_test(detrended_val.dropna())}')
    plot_acfs(detrended_val.dropna(),title)
    return detrended_val
#     de_seasoned = detrended_val.diff(m_val).dropna()
#     plot_acfs(de_seasoned.dropna(),title=f'detrened & Deseasoned {title} language')
#     print(f'ADF Test after Deseasoned {title} Language:{adf_test(de_seasoned.dropna())}')
#     return de_seasoned
In [107]:
deTrended_ZH_lang = get_detrended_deseasonal_data(df['zh'],'ZH')
ADF Test after Detrending ZH language:('TS is stationary', 1.0822615719686195e-11)
In [108]:
# ZH -> Peak at 7 ,14,21
# p -> 8 q-> 5
In [109]:
deTrended_JA_lang = get_detrended_deseasonal_data(df['ja'],'JA')
ADF Test after Detrending JA language:('TS is stationary', 5.950183790262341e-20)
In [110]:
# JA -> Peak at 7 ,14,21
# P -> 6 Q -> 5
In [111]:
deTrended_EN_lang = get_detrended_deseasonal_data(df['en'],'EN')
ADF Test after Detrending EN language:('TS is stationary', 5.292042536116286e-13)
In [112]:
# EN -> Peak at 7 ,14,21
# P -> 6 Q -> 5
In [113]:
deTrended_DE_lang = get_detrended_deseasonal_data(df['de'],'DE')
ADF Test after Detrending DE language:('TS is stationary', 2.0718405278634737e-10)
In [114]:
# DE -> Peak at 7 ,14,21
# P -> 10 Q -> 5
In [115]:
deTrended__DE_lang = get_detrended_deseasonal_data(df['_de'],'_DE')
ADF Test after Detrending _DE language:('TS is stationary', 1.5961380159824795e-20)
In [116]:
# _DE -> Peak at 7 ,14,21
# P -> 6 Q -> 2
In [117]:
deTrended_NA_lang = get_detrended_deseasonal_data(df['NA'],'NA')
ADF Test after Detrending NA language:('TS is stationary', 6.074796247844382e-19)
In [118]:
# NA -> Peak at 7 ,14,21
# P -> 5 Q -> 2

Observation¶

It was observed that Seasonality of data is occuring in every 7 month.

Training model for different languages Using ARIMA Model¶

In [119]:
df.head()
Out[119]:
NA _de de en es fr ja ru zh
index
2015-07-01 124.284493 11.0 748.269078 3699.986672 1124.820419 518.275576 623.080703 691.852568 300.511928
2015-07-02 128.301077 192.0 738.514997 3688.549667 1076.750516 521.232645 709.462561 702.874850 300.816903
2015-07-03 123.393474 192.0 709.930981 3509.763578 993.822199 503.030516 644.695993 655.785690 298.917792
2015-07-04 111.330127 80.0 653.911157 3647.536381 934.806317 534.642391 799.631563 620.469613 301.842952
2015-07-05 119.047298 72.0 755.402831 3761.088692 1013.400292 525.623191 768.694764 656.572081 317.261095
In [120]:
df.shape
Out[120]:
(550, 9)
In [ ]:
 
In [121]:
zh_df = pd.DataFrame(df['zh'])
zh_train_x = zh_df.loc[zh_df.index < zh_df.index[-200]].copy()
zh_test_x = zh_df.loc[zh_df.index >= zh_df.index[-200]].copy()
In [122]:
zh_test_x.shape
Out[122]:
(200, 1)
In [123]:
zh_train_x.head()
Out[123]:
zh
index
2015-07-01 300.511928
2015-07-02 300.816903
2015-07-03 298.917792
2015-07-04 301.842952
2015-07-05 317.261095
In [124]:
def performance(actual, predicted):
    mape_value = mape(actual, predicted)
    print(f'MAPE :{round(mape_value,3)}')
In [125]:
model = SARIMAX(zh_train_x['zh'],order=[8,1,8])
model = model.fit()
zh_test_x['pred'] = model.forecast(200)
zh_test_x.plot(style='-o',title='ZH Language Model Predictions',figsize=(10,4))
performance(zh_test_x['zh'],zh_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
MAPE :0.048

Model for JA Language Code¶

In [126]:
ja_df = pd.DataFrame(df['ja'])
ja_train_x = ja_df.loc[ja_df.index < ja_df.index[-200]].copy()
ja_test_x = ja_df.loc[ja_df.index >= ja_df.index[-200]].copy()
In [127]:
ja_train_x.shape,ja_test_x.shape
Out[127]:
((350, 1), (200, 1))
In [128]:
model = SARIMAX(ja_train_x,order=(8,1,8))
model = model.fit()
ja_test_x['pred'] = model.forecast(200)
ja_test_x.plot(style='-o',title='JA Language Model Predictions',figsize=(10,4))
performance(ja_test_x['ja'],ja_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
MAPE :0.079

Model EN Language Code¶

In [129]:
en_df = pd.DataFrame(df['en'])
en_train_x = en_df.loc[en_df.index < en_df.index[-200]].copy()
en_test_x = en_df.loc[en_df.index >= en_df.index[-200]].copy()
In [130]:
model = SARIMAX(en_train_x,order=(3,1,3))
model = model.fit()
en_test_x['pred'] = model.forecast(200)
en_test_x.plot(style='-o',title='EN Language Model Predictions',figsize=(10,4))
performance(en_test_x['en'],en_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
MAPE :0.133

Model DE Language Code¶

In [131]:
de_df = pd.DataFrame(df['de'])
de_train_x = de_df.loc[de_df.index < de_df.index[-200]].copy()
de_test_x = de_df.loc[de_df.index >= de_df.index[-200]].copy()
In [132]:
model = SARIMAX(de_train_x,order=(4,1,4))
model = model.fit()
de_test_x['pred'] = model.forecast(200)
de_test_x.plot(style='-o',title='DE Language Model Predictions',figsize=(10,4))
performance(de_test_x['de'],de_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
MAPE :0.145

Model _DE Language Code¶

In [133]:
_de_df = pd.DataFrame(deTrended__DE_lang)
_de_train_x = _de_df.loc[_de_df.index < _de_df.index[-200]].copy()
_de_test_x  = _de_df.loc[_de_df.index >= _de_df.index[-200]].copy()
In [134]:
model = SARIMAX(_de_train_x,order=(8,1,8))
model = model.fit()
_de_test_x['pred'] = model.forecast(200)
_de_test_x.plot(style='-o',title='_DE Language Model Predictions',figsize=(10,4))
performance(_de_test_x['_de'],_de_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
C:\Users\gaura\anaconda3\Lib\site-packages\pandas\plotting\_matplotlib\core.py:807: UserWarning: The label '_de' of <matplotlib.lines.Line2D object at 0x00000295B91B9690> starts with '_'. It is thus excluded from the legend.
  ax.legend(handles, labels, loc="best", title=title)
MAPE :5787166219623565.0

Model RU Language Code¶

In [135]:
ru_df = pd.DataFrame(df['ru'])
ru_train_x = ru_df.loc[ru_df.index < ru_df.index[-200]].copy()
ru_test_x  = ru_df.loc[ru_df.index >= ru_df.index[-200]].copy()
In [147]:
model = SARIMAX(ru_train_x,order=(7,1,7))
model = model.fit()
ru_test_x['pred'] = model.forecast(200)
ru_test_x.plot(style='-o',title='RU Language Model Predictions',figsize=(10,4))
performance(ru_test_x['ru'],ru_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:966: UserWarning: Non-stationary starting autoregressive parameters found. Using zeros as starting parameters.
  warn('Non-stationary starting autoregressive parameters'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
MAPE :0.174
In [137]:
NA_df = pd.DataFrame(df['NA'])
NA_train_x = NA_df.loc[NA_df.index < NA_df.index[-200]].copy()
NA_test_x  = NA_df.loc[NA_df.index >= NA_df.index[-200]].copy()
In [138]:
model = SARIMAX(NA_train_x,order=(7,1,7))
model = model.fit()
NA_test_x['pred'] = model.forecast(200)
NA_test_x.plot(style='-o',title='NA Language Model Predictions',figsize=(10,4))
performance(NA_test_x['NA'],NA_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:966: UserWarning: Non-stationary starting autoregressive parameters found. Using zeros as starting parameters.
  warn('Non-stationary starting autoregressive parameters'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
MAPE :0.238

Training model for different languages Using SARIMAX Model¶

In [139]:
# Model for ZH Language Code
In [140]:
model = SARIMAX(zh_train_x['zh'],order=(2,1,1),seasonal_order=(2,0,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
zh_test_x['pred'] = model.forecast(200)
zh_test_x.plot(style='-o',title='ZH Language Model Predictions',figsize=(12,4))
performance(zh_test_x['zh'],zh_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
MAPE :0.05
In [141]:
# Model for JA Language Code
In [142]:
model = SARIMAX(ja_train_x['ja'],order=(2,0,0),seasonal_order=(7,1,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
ja_test_x['pred'] = model.forecast(200)
ja_test_x.plot(style='-o',title='JA Language Model Predictions',figsize=(12,4))
performance(ja_test_x['ja'],ja_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
MAPE :0.079
In [143]:
# Model for EN Language Code
In [144]:
model = SARIMAX(en_train_x['en'],order=(2,0,3),seasonal_order=(7,2,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
en_test_x['pred'] = model.forecast(200)
en_test_x.plot(style='-o',title='EN Language Model Predictions',figsize=(12,4))
performance(en_test_x['en'],en_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:966: UserWarning: Non-stationary starting autoregressive parameters found. Using zeros as starting parameters.
  warn('Non-stationary starting autoregressive parameters'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
MAPE :0.112
In [148]:
# Model for DE Language Code
In [146]:
model = SARIMAX(de_train_x['de'],order=(3,0,0),seasonal_order=(7,1,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
de_test_x['pred'] = model.forecast(200)
de_test_x.plot(style='-o',title='DE Language Model Predictions',figsize=(12,4))
performance(de_test_x['de'],de_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
MAPE :0.087
In [151]:
# Model for _DE Language Code
In [156]:
model = SARIMAX(_de_train_x['_de'],order=(3,0,0),seasonal_order=(7,1,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
_de_test_x['pred'] = model.forecast(200)
_de_test_x.plot(style='-o',title='_DE Language Model Predictions',figsize=(12,4))
performance(_de_test_x['_de'],_de_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\pandas\plotting\_matplotlib\core.py:807: UserWarning: The label '_de' of <matplotlib.lines.Line2D object at 0x00000295E7C87550> starts with '_'. It is thus excluded from the legend.
  ax.legend(handles, labels, loc="best", title=title)
MAPE :7218950574980631.0
In [157]:
# Model RU Language Code
In [165]:
model = SARIMAX(ru_train_x['ru'],order=(2,0,1),seasonal_order=(7,1,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
ru_test_x['pred'] = model.forecast(200)
ru_test_x.plot(style='-o',title='RU Language Model Predictions',figsize=(12,4))
performance(ru_test_x['ru'],ru_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:966: UserWarning: Non-stationary starting autoregressive parameters found. Using zeros as starting parameters.
  warn('Non-stationary starting autoregressive parameters'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
MAPE :0.172
In [171]:
# Model NA Language Code
In [183]:
model = SARIMAX(NA_train_x['NA'],order=(2,0,0),seasonal_order=(7,1,3,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
NA_test_x['pred'] = model.forecast(200)
NA_test_x.plot(style='-o',title='NA Language Model Predictions',figsize=(12,4))
performance(NA_test_x['NA'],NA_test_x['pred'])
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
MAPE :0.214

Questions¶

  1. Defining the problem statements and where can this and modifications of this be used?

Ans : The problem statement was all about getting the forecast of pageview for different language wikipedia page. This can be utilize to understand which language type page is prefered more depends on region.

  1. Write 3 inferences you made from the data visualizations ?

Ans : Inference is as folows:

  1. Most prefered language is english as it was observed that avg pageview are more as compare to other languages.

  2. It was observed that there is significant decrease in pageviews for Spanish language in between January to March 2016.

  3. It was observed that there is significant Increase in pageviews for French language in between April to May 2016.

  1. What does the decomposition of series do?

Ans: Decompositions of series will showcase below mentioned points.

1. Trend
2. Seasonality
3. Residual

  1. What level of differencing gave you a stationary series?

Ans : Level of differencing is contextual in this case it gave me staitionary series with just single differencing.

  1. Difference between arima, sarima & sarimax.

Ans : The Basic difference between arima and Sarima is that arima does'nt take care of Seasonal part but Sarima takes care of it. The differnce between arima, sarima and Sarimax is both arima and sarima does'nt deal with external variable but sarimax does.

  1. What other methods other than grid search would be suitable to get the model for all languages?

Ans: We can utilize iterative approach instead of grid search.

In [ ]: